P2T：免训练token级奖励归因方法

Sitong Wu 等在 arXiv 论文中提出 P2T，一种免训练的词元级奖励归因方法：直接从现有奖励模型中提取 token 级奖励信号，无需额外训练奖励模型。方法用一阶泰勒近似构造高效的梯度估计器，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进行信用分配。 作者称代码将发布于 https://github.com/stonewst/P2T。以上为论文摘要所述内容，尚未经独立验证。

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。