提出双轨迹强化学习奖励估计方法

2026年10月14日，arXiv 人工智能板块出现一篇由 Haifeng Qian 等作者完成的论文，针对可验证结果奖励与推理质量不匹配的问题，提出 double-rollout 强化学习。该方法截断每条采样 rollout 的推理轨迹，从截断前缀采样多条续写，并用续写奖励均值替代原始奖励，以缓解信用分配难题。论文称，该算法仅带来适度的计算成本增加，却在数学与编程任务上、在 Qwen 与 Nemotron 模型上，以更少的强化学习步数取得明显高于基线算法的准确率。目前该事件仅有这一篇主报道，尚无后续跟进报道，也未出现与早先报道矛盾的数字、时间或说法。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。