arXiv · cs.AI· Lianfa Li·· 1 天前
TBRM-RLOO改进LLM算术推理的轨迹强化学习
Bellman-Consistent Trajectory RL for LLM Arithmetic Reasoning
arXiv:2610.21060v1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：Lianfa Li
研究任务与主要进展
Li提出Bellman-consistent trajectory RL方法TBRM-RLOO，将稀疏轨迹奖励转换为token级信号，并用RLOO和事后目标重标注改善LLM算术推理优化。
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