arXiv Artificial Intelligence· Chao Wang, Hongtao Tian, Tao Yang, Yunsheng Shi, Ting Yao, Wenbo Ding·2026-10-15 12:00· 18 小时前AI 评分27

PASS：面向 LLM 推理模型过程监督强化学习的优势信号塑造

Process Advantage Signal Shaping: Advantage Construction for Process-Supervised Reinforcement Learning in LLM Reasoners

AI 导读

PASS（Process Advantage Signal Shaping）是一种面向 GRPO 的优势构建流程，结合奖励通道归一化与融合、按信号划分的信用累积分块，以及按剩余分块数归一化。