reward-sparsity

介绍了AdaKP，一种在线自适应知识点选择器，能够在强化学习训练过程中动态重新选择注入哪些原子提示，以缓解推理任务中的奖励稀疏问题，在竞赛级数学基准上取得了改进，且开销可忽略不计。