Umdenken über Gruppen in Critic-freiem RLVR

arXiv:2606.17250v1 Ankündigungstyp: neu Abstract: Reinforcement Learning (RL) ist zu einem zentralen Paradigma für das Post-Training großer Sprachmodelle geworden. Bestehende Critic-freie RL-Methoden generieren typischerweise eine Gruppe von Rollouts für die gleiche Frage, um Wert-Baselines für Advantage-Berechnung zu schätzen. Jedoch