arXiv · cs.AI· Bangji Yang, Hongbo Ma, Ruihan Guo, Jiajun Fan, Xi Zhu, Ge Liu·· 6 小时前
Batched Contextual Reinforcement II：CCR以8,000-token窗口降低RLVR训练成本
Batched Contextual Reinforcement II: Does RLVR Need Long Rollout Windows?
arXiv:2610.22887v1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：Bangji Yang, Hongbo Ma, Ruihan Guo, Jiajun Fan, Xi Zhu, Ge Liu
研究任务与主要进展
研究提出并发约束强化学习（CCR），在一次有界训练补全中放置三个可独立验证的问题，使截断前完成的正确答案保留信用，并以4B和8B数学推理模型进行实验。相较使用32k窗口的单问题GRPO，CCR采用8,000-token窗口后，每步token数在4B模型上由975,464降至174,957，在8B模型上由793,832降至165,788，分别节省82.1%和79.1%。
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