Guided-RLVR：以引导式探索扩展可验证奖励强化学习的推理空间

Bo Yang、Zishuai Zhang、Weihua Li、Qinnan Zhang、Sijia Wen、Hainan Zhang在预印本论文中提出Guided-RLVR，在可验证奖励强化学习（RLVR）中引入轻量控制器。作者称，RLVR虽在数学与编程等任务上提升了大型语言模型的推理能力，但其采样轨迹常坍缩到少数推理路径，限制了探索的推理空间；该控制器向采样分布中注入具有语义引导作用的token，促使模型从多种推理视角处理问题，从而扩大探索范围。作者称，在数学推理与代码生成基准上的实验显示，Guided-RLVR持续优于现有RLVR方法，并产生更多样的推理轨迹。该结果为预印本，尚未经同行评审。