Развилка, где модель меняет свое мнение: ветвление со сдвигом убеждений для древовидного обучения с подкреплением
arXiv:2609.11061v1 Тип объявления: новый Аннотация: Развертывание с древовидной структурой обеспечивает обучение с подкреплением без критики с проверяемыми вознаграждениями (RLVR). Кредит на уровне шага: разветвление цепочки в промежуточной точке, и различия в результатах одного уровня оценивают ценность шага. Каждая вилка добавляет выборку…