结合检索特权、自蒸馏与最优传输，缓解GRPO奖励和协同信号粗糙问题。
推荐理由：方法同时处理序列奖励无法区分令牌贡献、单用户监督忽略相似行为两项缺陷，表明推荐模型的强化学习正转向细粒度信用分配。
阅读原文