外部引导何时有助于 LLM 推理？引导增强 GRPO 的偏差—方差理论

英文标题：When Does External Guidance Help LLM Reasoning? A Bias-Variance Theory of Guidance-Augmented GRPO

论文关注外部引导在何种条件下能够提升大语言模型（LLM）的多步推理能力。作者以可验证奖励强化学习（RLVR）为背景，指出该范式已成为激发 LLM 多步推理能力的主流方法。论文还提及 LUFFY、ExPO、PAPO 和 TAPO 等将外部引导融入强化学习的方法，并从偏差—方差视角研究引导增强 GRPO。所给原文摘要片段未包含具体实验数据或完整定量结论。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB