通过分布对齐提示合成与反向提示退火缓解数学 RLVR 中的分布锐化

针对可验证奖励强化学习（RLVR）在挑战性数学问题上虽提升低 k 值准确率却导致解空间覆盖收窄的问题，本文提出两种新机制：分布对齐提示合成（DAHS）构建基于学生风格响应的教师提示，以解决师生分布不匹配；反向提示退火（BHA）则在训练中逐步减少提示暴露并保留无提示更新。实验表明，该方法在多个 AIME 基准上显著提升了 Qwen 和 Llama 模型的 pass@1 及大 k 值表现，证实了提示支架在恢复早期可学习性及适时移除方面的有效性。