论文提出AnytimeReasoner与BRPO

Penghui Qi等作者发布论文，提出AnytimeReasoner框架和Budget Relative Policy Optimization（BRPO）方法，用于优化大模型在不同token预算下的推理。其做法是把完整思考过程截断到从先验分布采样的token预算内，让模型为每段截断思考总结答案并接受验证，从而在强化学习中取得可验证的稠密奖励。论文称，该框架旨在提升token效率以及预算变化时的推理灵活性。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。