微软研究院论文：基于表征的探索奖励使 Qwen 验证器效率提升超 50%

微软研究院论文提出基于表征的探索奖励，在 Qwen-2.5-14B-Instruct 推理时扩展中，使几乎所有任务的验证器效率提升超 50%。将该策略接入 RL 后训练后，Qwen-2.5-7B-Instruct 在 AIME 2024 以 pass@80 追平原模型 GRPO 的 pass@256，样本效率提升约 3 倍。论文被 ICLR 2026 接收，代码与网站已开源。