arXiv Artificial Intelligence· Mohammad Rezaei, Jens Lehmann, Sahar Vahdati·2026-10-15 12:00· 19 小时前AI 评分22

PROGRS：用结果引导的过程奖励提升 LLM 数学推理强化学习

Process Rewards for Outcome-Guided Reasoning Steps in LLM Reinforcement Learning

AI 导读

PROGRS 框架将过程奖励模型（PRM）的分数作为结果分组内的相对偏好而非绝对目标，通过结果条件中心化把错误轨迹的 PRM 分数在每组提示内归零均值，并与冻结的分位数回归 PRM 和多尺度连贯性评估器结合，集成进 GRPO。