SLPO：通过代理策略扩展潜在推理能力

英文标题：SLPO: Scaling Latent Reasoning via a Surrogate Policy

该论文提出 SLPO（Surrogate Policy），旨在通过代理策略扩展潜在推理能力。论文指出，基于可验证奖励的强化学习已成为激发显式思维链（Chain-of-Thought）推理器测试时扩展能力的主流方法。与此同时，这一路径计算成本较高，因为推理过程中的每一个中间步骤都需要进行解码。论文关注如何降低这一类推理扩展方法的计算开销，这对构建更高效的 Agent 和推理模型具有潜在意义。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB