Semifactual Credit-Augmented Policy Optimization

论文提出半事实信用增强策略优化方法，研究RLVR大模型对任务无关提示特征的敏感性。通过半事实提示干预分析token级漂移，并在解码时抑制高漂移候选token，显著提升推理准确率，为强化学习推理稳定性提供新思路。