long-sequence-reasoning

本文提出E³RL，一种使用动态认知熵阈值的强化学习方法，使LLMs能够在生成过程中切除局部逻辑缺陷，克服长程推理中的自回归诅咒，并在AIME等数学推理基准上取得最先进的结果。