intrinsic-reward

OPERA提出了一种针对开放式任务的强化学习方法，利用困惑度动态作为内在奖励，取代了不可靠的“LLM作为评判者”奖励模型。在Qwen3-8B上实现了最先进的结果，在创意写作及其他开放式任务中可媲美专有模型。