**并非所有Token都值得同等信用：基于反事实敏感性的长链推理信用重分配方法**

_Not All Tokens Deserve Equal Credit: Counterfactual Sensitivity Credit Reallocation for Long-CoT Reasoning_

> 论文针对强化学习验证奖励（RLVR）中长链推理的token信用分配问题，指出GRPO等方法将响应级奖励均匀分配给所有token，忽视了不同token对最终结果的贡献差异。通过反事实实验发现，特权策略产生的似然偏移主要反映token的表面形式可替代性，而非可靠的推理方向。基于此，作者提出CSCR方法，对高敏感token降低信用并重新归一化，在长链数学推理基准上持续优于GRPO基线。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2607.27888)