**突破熵界限：通过多令牌预测与拒绝采样加速强化学习训练**

_Breaking Entropy Bounds: Accelerating RL Training via MTP with Rejection Sampling_

> 研究揭示多令牌预测（MTP）在LLM强化学习微调中接受率下降受限于模型熵波动，提出Bebop方法：利用概率拒绝采样与新型端到端TV损失直接优化多步拒绝采样接受率，在预训练阶段即可获得稳定接受率，最高达95%，并在Qwen3.5/3.6/3.7模型上实现异步RL训练端到端1.8倍加速。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-06-11 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.12370)