强化学习
突破级
暂无讲解视频
收录解读
NudgeRL 处理 RLVR 的核心瓶颈：模型只能从已经采样到的轨迹中学习，简单增加 rollout 数量成本高且探索方向不可控。
它用 Strategy Nudging 给每次 rollout 加入轻量策略上下文，引导多样化推理轨迹；再用统一目标分解 inter-context 和 intra-context reward，并把发现的行为蒸馏回 base policy。
它值得正式收录，因为 reasoning RL 的下一步不是只堆 rollout，而是让探索变得结构化、可控、可迁移。
它没有更高，是因为策略上下文设计、不同任务族的泛化和大模型训练稳定性还需要更多验证。