优势塑造

稳定高效的单次采样强化学习用于多模态推理

Stable and Efficient Single-Rollout RL for Multimodal Reasoning

针对多模态大模型强化学习微调中单次采样不稳定的问题，提出基于熵的优势塑造机制，可复用于视觉语言模型的RLVR训练，提升样本效率并防止训练崩溃。