Noticias sobre ERR+

ERR+ propone un marco RLVR de dos etapas, basado en la observación de que las trayectorias de razonamiento correctas tienen caídas de entropía simbólica más frecuentes y mayores durante la fase de pensamiento, y utiliza la señal de entropía para optimizar el proceso de razonamiento en sí. En comparación con el RLVR anterior que solo se basaba en recompensas por corrección, este método utiliza por primera vez la disminución de entropía a nivel de token como señal de recompensa del proceso, lo que proporciona una nueva dirección para la optimización de la calidad de la inferencia, pero su eficacia aún debe verificarse experimentalmente.