پاداش‌دادن به مسیر استدلال، به بهبود و انتقال توانایی مدل‌های زبانی کوچک کمک می‌کند

پژوهشگران در پیش‌چاپی در arXiv بررسی کرده‌اند که آیا ارزیابی مسیر استدلال مدل، در کنار درست‌بودن پاسخ نهایی، می‌تواند به بهبود مدل‌های زبانی کوچک و انتقال توانایی آن‌ها به مسائل دیگر کمک کند. پاداشِ صرفاً مبتنی بر پاسخ، میان دو مسیر استدلالی که به پاسخ درست یکسانی می‌رسند تمایز نمی‌گذارد.

این مطالعه دو معیار را مقایسه می‌کند: معیار مبتنی بر اطمینان (SC) و UID-Conj. که تغییرات کلی آنتروپی و همواری محلی مسیر را ترکیب می‌کند. در آزمایش آنلاین، مدل Qwen3-1.7B با ۳۰ مسئلهٔ AIME و بدون پاسخ مرجع سازگار شد؛ آزمایش‌های آفلاین نیز از مسائل تاریخی AIME استفاده کردند. UID-Conj. میانگین عملکرد را در معیار سازگاری و سه معیار انتقال، ۲٫۰۸ واحد درصد بالاتر از TTRL بدون تغییر برد. بخش در دسترس چکیده، ادامهٔ توضیح دربارهٔ قوی‌ترین شواهد را ارائه نمی‌کند.