arXiv Artificial Intelligence· Nghi Dao, Calder Morton-Ferguson, Noah Golowich, Adam Block·2026-10-22 12:00· 18 小时前AI 评分26

ReAPO：面向 LLM 推理高效探索的重试感知策略优化

ReAPO: Retry-Aware Policy Optimization for Efficient Exploration in LLM Reasoning

AI 导读

ReAPO 将信用分配建模为随机最短路径问题，对 GRPO 做简单修改，为失败轨迹追加生成、让成功重试获得强化而不奖励此前的失败。在 Qwen3 和 OLMo-2 的 0.6B 至 4B 模型、八个数学与科学推理基准上，ReAPO 的首答表现优于 GRPO 及近期基线。