arXiv · cs.AI· Saif Punjwani, Micah Goldblum·· 22 小时前
ExpDis 解耦 RLVR 中强化学习可验证奖励的探索与优化
Decoupling Exploration from Optimization in RLVR
arXiv:2610.10536v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Saif Punjwani, Micah Goldblum
首次提交：2026-10-08 01:59
研究任务与主要进展
Saif Punjwani 与 Micah Goldblum 提出 Exploration-Distillation（ExpDis），将带新颖性奖励的探索策略与不包含新颖性奖励的学生策略分离，并通过多轮交替进行探索与优化。基于论文摘要，ExpDis 在七个数学推理基准和两个模型家族上以相同墙钟预算报告优于 DAPO，同时改善了 pass@k 扩展，作者据此认为其能生成更多样化的正确解。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org