DAPO-Math

新的SCOPE-RL框架优化LLM推理路径，提高准确性和效率

研究人员开发了SCOPE-RL，一个新颖的两阶段框架，旨在通过优化大型语言模型（LLM）的推理过程来增强其强化学习能力。该方法引入了更细粒度的奖励信号，在成功结果之前和之后都提供反馈，这有助于区分有效的推理路径和效率较低或有缺陷的路径。实验表明，与仅基于结果的标准强化学习相比，SCOPE-RL显著提高了准确性并减少了推理中使用的token数量。