**推理竞技场：当可验证奖励失效时，用轨迹锦标赛提升推理训练**

_Reasoning Arena: Trace Tournaments When Verifiable Rewards Fall Short_

> 针对大语言模型推理训练中可验证奖励组内无梯度信号的问题，提出推理竞技场框架，通过裁判系统进行轨迹头对头对比，将推理质量转化为相对奖励，并结合Bradley-Terry模型高效估计，在竞赛数学和编程基准上平均提升7.6%，训练加速27%-41%，节省近50%生成计算。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-09 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.09380)