Zihan Lin

该工作提出温度分组强化学习（TGRL），对每个提示把 rollout 组划分为低温参考子集与高温探索子集，用两组奖励差估计提示级探索增益，并用同一 logits 下温度缩放下一词分布之间的 Jensen–Shannon 散度把该增益分配为 token 级信用；在 11 个基准上，TGRL 在不扩大 rollout 预算的前提下，把 32B 六项数学平均分提高 1.6%、CodeForces 评分提高 196.7 分、LiveCodeBench Pass@16 提高 4.4%，ALFWorld/WebShop 成功率提高 6.3%/4.9%，并以最高快 36% 的速度达到与强 RLVR 基线相当的准确率。

该工作提出温度分组强化学习（TGRL），对每个提示把 rollout 组划分为低温参考子集与高温探索子集，用两组奖励差估计提示级探索增益，并用同一 logits 下温度缩放下一词分布之间的 Jensen–Shannon 散度把该增益分配为 token 级信用；在 11 个基准上，TGRL 在不扩大 rollout 预算的前提下，把 32B 六项数学平均分提高 1.6%、CodeForces 评分提高 196.7 分、LiveCodeBench Pass@16 提高 4.4%，ALFWorld/WebShop 成功率提高 6.3%/4.9%，并以最高快 36% 的速度达到与强 RLVR 基线相当的准确率。