#信用分配

RLVR 信用分配综述：一条长推理链，功劳到底算谁的？

想象一个具体场景：模型做一道竞赛数学题，写了一条 1000 token 的思维链，最后答案对了，奖励 +1。 这条链里，有真正决定走向的关键分叉（比如第 127 个 token 处的「Wait, let me reconsider」），有正确的代数推导，有中途算错又自己纠回来的一段，有重复验算了三