arXiv · cs.AI· Sitong Wu, Haoru Tan, Bin Xia, Xichen Zhang, Jingyao Li, Shaofeng Zhang, Xiaojuan Qi, Bei Yu, Jiaya Jia·· 5 小时前
无需训练的词元奖励归因方法P2T提升大语言模型推理优化效率
Unlocking Token Rewards via Training-Free Reward Attribution
arXiv:2610.18704v1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：Sitong Wu, Haoru Tan, Bin Xia, Xichen Zhang, Jingyao Li, Shaofeng Zhang, Xiaojuan Qi, Bei Yu, Jiaya Jia
期刊信息（来源提供）：CVPR 2026
研究任务与主要进展
Sitong Wu等提出无需训练的词元级奖励归因方法P2T，通过一阶泰勒近似估计每个词元对最终过程奖励的影响，使标准强化学习算法能够进行信用分配而无需额外训练奖励模型。
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