Hugging Face论文：SCAPO优化RLVR推理
发生了什么
据Hugging Face Papers，新研究提出SCAPO方法，通过半事实提示干预下的token级信用分配优化强化学习验证奖励（RLVR）推理能力。在Qwen3-4B和1.7B模型上，SCAPO相比GRPO在AIME基准上分别提升5.63和4.17个百分点，并在多数数学及分布外基准中取得最佳结果。
- Qwen3-4B AIME提升
- 5.63个百分点
- Qwen3-1.7B AIME提升
- 4.17个百分点
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。
- Hugging Face Papers转载
Paper page - Semifactual Credit-Augmented Policy Optimization
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。
- 来源报道1 个发布入口