DUET：为可验证奖励强化学习优化 token 预算分配

DUET 是一种叠加在 GRPO 之上的 token 预算分配方法，同时控制每个 prompt 分配多少 rollout 以及每条 rollout 何时停止。在 MATH 上训练的 Qwen3-1.7B 上，DUET 优于全预算 GRPO 及另外三种预算感知基线，并实现 1.62 倍实际耗时加速；仅用 50% token 预算时仍超过所有基线全预算表现，加速达 2.51 倍。