研究者提出可验证过程奖励VPR训练框架

2026年10月15日arXiv人工智能板块报道，Huining Yuan等作者提出可验证过程奖励（VPR）训练框架。该框架将任务oracle复用为动作级过程验证器，为中间动作提供稠密奖励，以实现细粒度信用分配。VPR在Sokoban、Sudoku、Minesweeper三种环境实例化，所训练的Qwen3-4B在三者上均优于outcome-reward GRPO和VinePPO；在联合数学数据训练时，平均通用推理与智能体表现最佳。报道未提及该框架的适用对象限制、收费或额度信息，也未给出地域与发布时间之外的其他条件。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。