ReAPO 论文：RLVR 中让模型在失败后重试，推理成绩与训练效率双升

新论文提出 Retry-Aware Policy Optimization（ReAPO），在 RLVR 训练中让语言模型于失败尝试后重试，并以失败为条件约束重试，从而改善探索效率。结果显示，相比 GRPO，ReAPO 的准确率和训练效率均有提升，说明失败驱动的重试机制是提升推理能力训练的有效杠杆。