EAPO：LLM推理强化学习方法

发生了什么

据Hugging Face Papers报道，研究提出熵引导信用分配（EAPO）方法，用于大语言模型推理强化学习。该方法通过策略熵不对称加权token级信用，强化意外成功并纠正重复失败，同时保留探索机会。EAPO直接从现有 rollout 信号推导token级信用，无需额外监督或辅助模型。在多种推理任务中，EAPO实现了最佳整体性能，并促进了更有效的探索。