Doohyuk Jang

该工作提出GRAFT框架，在可验证奖励强化学习（RLVR）中把接收方全部失败的rollout组替换为同伴模型同时含成功与失败回答的组，并用序列级兼容性加权与token级重要性比率裁剪控制跨模型失配；在三对异构模型和五个数学推理基准上，GRAFT在相同单模型rollout预算下同时提升两个模型，平均提升2.1分、最高4.5分，且复用已存储的同伴轨迹仍平均提升1.8分。

该工作提出GRAFT框架，在可验证奖励强化学习（RLVR）中把接收方全部失败的rollout组替换为同伴模型同时含成功与失败回答的组，并用序列级兼容性加权与token级重要性比率裁剪控制跨模型失配；在三对异构模型和五个数学推理基准上，GRAFT在相同单模型rollout预算下同时提升两个模型，平均提升2.1分、最高4.5分，且复用已存储的同伴轨迹仍平均提升1.8分。