**EAPO：基于熵引导的信用分配机制优化LLM推理探索**

_Surprising Success, Repeated Failure: Entropy-Guided Credit Assignment for Exploration in LLM Reasoning_

> 针对强化学习中细粒度信用分配依赖辅助模型的问题，提出熵优势策略优化（EAPO）。该方法利用策略熵与优势符号的非对称性，对高熵成功决策给予强奖励，对低熵失败决策给予强惩罚，同时保留不确定位置的探索机会。EAPO无需额外监督即可实现Token级信用分配，在多种推理任务中表现最优，并显著提升了探索效率与答案多样性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.33781)