论文Agent 与开发者13:39SpeCal 提出双层谱校准框架,改进无监督 RLVR 奖励可靠性训练推理模型离不开带答案的数据,这篇提出只用模型自己的 rollout 就能校准奖励,靠隐藏状态的有效秩判断哪些样本值得学。做 RLVR 或无标签数据利用的研究者可以看下方法细节。#RLVR#SpeCal#推理模型#无监督学习aarXiv cs.AI@Kai Tang 等 10 人原文稍后读已读值得跟进有用关注 RLVR