边生成边剪枝：用于更快更好 RLVR 的在线 rollout 剪枝

可验证奖励强化学习（RLVR）显著提升了大语言模型的推理能力，但现有方法因依赖大量采样而计算成本高昂，且常因奖励信号稀疏导致学习效率低下。本文提出 arrol，一种在线 rollout 剪枝方法，通过在生成过程中动态剪枝并引导剩余样本平衡正确率，以增强学习信号。该方法利用轻量级质量头预测部分轨迹成功率进行早期剪枝，并在推理阶段加权候选项以提升准确率。实验表明，arrol 在多个模型上实现了训练加速与推理精度的双重提升。