依据查询难度与模型自奖励信号，动态决定输出分布的强化程度。
推荐理由：该方法不再为所有问题使用固定锐化强度，而以自奖励刻画继续强化是否有利；若实验证实稳定，可减少简单题浪费并避免困难题过度收缩候选空间。
阅读原文