ExTra 框架为 GRPO 注入探索信号，Qwen3-1.7B pass@1 提升约 5 分

新加坡国立大学团队提出兼容 GRPO 的 ExTra 探索框架，通过新颖性奖励和熵引导前缀再生缓解 RLVR 在简单题与难题上的失效。六个数学推理基准上，ExTra 使 Qwen3-1.7B 相较 GRPO 的 pass@1 提升约 5 分、pass@16 提升约 7 分。