ERR+ に関する報道

ERR+ は、正しい推論軌道では思考フェーズ中により頻繁かつ大きなトークン エントロピーの低下が見られるという観察に基づいて、2 段階の RLVR フレームワークを提案し、エントロピー信号を使用して推論プロセス自体を最適化します。正しさの報酬のみに依存していた以前の RLVR と比較して、この方法はプロセス報酬信号としてトークンレベルのエントロピー減少を初めて使用し、推論品質の最適化に新しい方向性を提供しますが、その有効性はまだ実験的に検証する必要があります。