Yuv Raj Pant

GRPO强化微调中，固定由易到难的课程表常与模型实际进度脱节。ClosedLoopGaussian保留高斯采样器的形式，用每隔若干步的探针准确率反馈调节推进速度与复习宽度，不改奖励、模型结构或优化器。在Countdown上四个随机种子的平均精确匹配准确率高于固定课程与原始GRPO，增益集中在中间难度，但种子间离散度大，结果只作描述性解读。

GRPO强化微调中，固定由易到难的课程表常与模型实际进度脱节。ClosedLoopGaussian保留高斯采样器的形式，用每隔若干步的探针准确率反馈调节推进速度与复习宽度，不改奖励、模型结构或优化器。在Countdown上四个随机种子的平均精确匹配准确率高于固定课程与原始GRPO，增益集中在中间难度，但种子间离散度大，结果只作描述性解读。