Tropical Reinforcement Learning：用热带半环改进大语言模型的组合推理

论文提出 Tropical Reinforcement Learning，把传统期望回报中对成功轨迹概率求和改为取最大值（热带半环），让状态价值等于最可能已验证解的对数概率并保留可重放路径，从而支持跨 rollout 的前缀与后缀组合。