具有可验证奖励的强化学习（ RLVR ）提高了大型语言模型（ LLM ）的推理能力，但它们的预测仍然对与任务无关的提示功能敏感。我们通过半事实的即时干预措施来研究这种敏感性，这些干预措施保留了根本问题及其答案。我们的分析显示，令牌级别的敏感性和

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2609.40360v1)获取最准确的信息。

---
🔗 **原文链接**: [Semifactual Credit-Augmented Policy Optimization](https://arxiv.org/abs/2609.40360v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Junshu Pan, Zhizhang Fu, Shulin Huang, Yiran Ding, Zifan Cheng, Wenqi Shao, Qiaosheng Zhang, Yue Zhang

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-10-01 13:01