arXiv 2026年6月2日该工作提出 Hint-Guided Diversified Policy Optimization（HDPO），让模型先列出所有潜在候选解法大纲作为提示，再选出最可靠的一条继续推理，方法由 Cold Start for Structured Reasoning 与 Hint-Guided Diversified Reinforcement Learning 两个阶段组成，以激励模型沿“propose-select-think”轨迹生成多样且可靠的解；实验结果显示 HDPO 有效提升了大模型推理能力，并增强了候选解的多样性以及模型识别可靠解的能力。该工作提出 Hint-Guided Diversified Policy Optimization（HDPO），让模型先列出所有潜在候选解法大纲作为提示，再选出最可靠的一条继续推理，方法由 Cold Start for Structured Reasoning 与 Hint-Guided Diversified Reinforcement Learning 两个阶段组成，以激励模型沿“propose-select-think”轨迹生成多样且可靠的解；实验结果显示 HDPO 有效提升了大模型推理能力，并增强了候选解的多样性以及模型识别可靠解的能力。HDPO 让大模型先列出候选解法再择优推理，据报告同时提升推理表现与候选解多样性该工作提出 Hint-Guided Diversified Policy Optimization（HDPO），让模型先列出所有潜在候选解法大纲作为提示，再选出最可靠的一条继续推理，方法由 Cold Start for Structured Reasoning 与 Hint-Guided Diversified Reinforcement Learning 两个阶段组成，以激励模型沿“propose-select-think”轨迹生成多样且可靠的解；实验结果显示 HDPO 有效提升了大模型推理能力，并增强了候选解的多样性以及模型识别可靠解的能力。该工作提出 Hint-Guided Diversified Policy Optimization（HDPO），让模型先列出所有潜在候选解法大纲作为提示，再选出最可靠的一条继续推理，方法由 Cold Start for Structured Reasoning 与 Hint-Guided Diversified Reinforcement Learning 两个阶段组成，以激励模型沿“propose-select-think”轨迹生成多样且可靠的解；实验结果显示 HDPO 有效提升了大模型推理能力，并增强了候选解的多样性以及模型识别可靠解的能力。