NVIDIA 论文提出双rollout强化学习奖励估计方法

NVIDIA 的 Haifeng Qian 等人在 arXiv 发布论文（基于论文摘要），提出 double-rollout 强化学习方法：对每个采样 rollout 截断推理轨迹，从截断前缀采样多个续写，用平均续写奖励替代原始的可验证结果奖励，以解决信用分配问题。 作者称该算法只带来适度的计算开销增加；仅使用 DAPO 数据，该方法将 Nemotron-3-Nano-30B-A3B 训练到在 AIME 2026 上达到 95.4%。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。