论文10:00MGE-PO：用熵感知信用分配改进数学推理训练这篇论文针对 GRPO 对同奖励响应一视同仁的问题，用生成熵给对错响应加不同权重的修正项，Qwen2.5-7B 上 avg@32 从 41.5% 提到 45.4%。#MGE-PO#GRPO#Qwen3#Qwen2.5aarXiv cs.AI@Jihao Huang 等 12 人原文稍后读已读值得跟进有用关注 MGE-PO