多样化推理轨迹教会大语言模型做出更好决策

亚马逊研究团队在ICLR发表论文，提出集合监督微调（SSFT）与全局分叉策略优化（GFPO），通过为不同推理模式分配全局分叉token来训练模型掌握多样化推理策略，并在推理时选择最优模式。AIME 2025、AIME 2024与LiveCodeBench-v5上Pass@1分别提升6.84、5.37与4.94个百分点，同时改善pass@k多样性且不损害单次准确率。