新论文：Score Centering 校正项稳定 LLM 强化学习中的训练推理失配

Martin Marek、Max Ryabinin 的新论文提出 Score Centering 校正项，通过抵消训练与推理引擎间随训练步数累积的 drift，稳定 LLM 强化学习。该方法在 0.6B30B 模型上匹敌或超过 importance sampling，并可与之叠加，在 staleness 实验中优于纯 IS 基线。