S-trace：用选择性后继资格迹改进RLVR信用分配

Chaoli Mou等人发布论文，提出无评论家的选择性后继资格迹方法S-trace，通过后继重要性重加权和基于熵的令牌选择，将下游可验证奖励的信用传播到历史推理步骤，以改进可验证奖励强化学习（RLVR）中的时序信用分配。 实验称，在平均pass@16上，S-trace相对GRPO在Qwen3-1.7B和Qwen3-4B上分别取得1.80%和6.17%的绝对提升，相对trace-style GRPO(λ)分别提升2.32%和0.87%，并在Qwen3-8B上保持稳健增益、生成更短的回复。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。