#MCPO

GRPO 把答案奖励平均撒给每个 token，这篇论文改成按模型犹豫程度（top-2 概率差）分配信用，不用额外评估。在 MiniCPM5-2B 和 Qwen3-4B 上平均涨 6.55 分，pass@32 涨 13.8。做 RLVR 训练、想榨干小模型数学能力的人可以直接抄这套实现。