arXiv提出Residual Advantage强化学习新方法
发生了什么
据arXiv cs.CL 10月8日报道，研究者提出Residual Advantage (RA)方法，用于基于可验证奖励的强化学习（RLVR）。该方法将师生概率残差作为有界一步奖励，减去学生策略下的状态值形成优势，并在响应内居中。结合Qwen3系列模型在数学基准测试中，RA配合GRPO或REINFORCE++提升了序列优势算法表现，宏观Avg@8提升1.7-3.6分，Pass@8提升3.9-6.3分，超越仅教师蒸馏方法。
- Avg@8提升
- 1.7-3.6 points
- Pass@8提升
- 3.9-6.3 points
报道与来源
1 篇发布方数量不等于独立核验数量。同稿的多个入口保留在对应报道中。
来源关系与证据边界
按已记录的来源角色展示；连线仅表示原生身份流程确认的同稿入口，不表示独立佐证或跨报道引用。
- 一手材料1 个发布入口