论文提出CCR：以8k窗口替代32k降低RLVR训练成本

Bangji Yang 等在 arXiv 论文《Batched Contextual Reinforcement II: Does RLVR Need Long Rollout Windows?》中提出并发约束强化学习（CCR），在一次有界的训练补全中放置三个可独立验证的问题，使截断前已完成的正确答案仍能保留信用，从而缩短 RLVR 训练的 rollout 窗口。 论文实验显示：相较使用 32k 窗口的单问题 GRPO，CCR 采用 8,000-token 窗口后，每步训练 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%；单问题评测为推理质量得到保留提供了支持性证据。

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。