自适应能力分解：解锁大型推理模型的有效强化学习

可验证奖励的强化学习（RLVR）在增强大语言模型推理能力方面潜力巨大，但因信息有限常导致盲目探索失败。为此，本文提出自适应能力分解方法（A²D），无需教师模型即可为 RLVR 提供额外信息。该方法首先训练分解器将复杂问题拆解为简单子问题，随后利用子问题指导推理器进行 RLVR 训练。实验表明，A²D 性能优于基线，可作为即插即用模块适配不同算法，并有效提升了模型的探索与利用能力。