不要偷看答案：面向无标签 RLVR 的结果掩码组相对策略优化

英文标题：Don't Peek at the Answer: Outcome-Masked Group Relative Policy Optimization for Label-Free RLVR

论文提出 Outcome-Masked Group Relative Policy Optimization，旨在支持无需标签的 RLVR（可验证奖励强化学习）。RLVR 能够提升大语言模型的推理能力，但通常依赖真实答案（GT），从而限制了其可扩展性。基于投票的无标签 RLVR 可利用模型采样结果在答案层面的共识替代黄金标注，为降低高质量监督数据依赖提供了路径。

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