TAPO：用于多语言数学推理的翻译增强策略优化

大型语言模型在英语数学推理中表现优异，但在多语言场景下因语言理解缺陷存在显著性能差距。为此，本文提出翻译增强策略优化（TAPO），这是一种基于 GRPO 的新型强化学习框架。TAPO 采用显式对齐策略，以英语为枢纽，遵循“先理解后推理”范式。关键创新在于引入步级相对优势机制，将理解与推理解耦，从而在不引发优化冲突的情况下整合翻译质量奖励。实验表明，TAPO 有效协同了语言理解与推理能力，在多语言数学推理及翻译任务上均优于基线，并具备良好的跨语言和跨领域泛化性。