无意义亦有助：提示空间扰动拓宽推理探索

基于可验证奖励的强化学习（如 GRPO）显著提升了大语言模型的推理能力，但在复杂任务中常受困于“零优势问题”，导致训练信号丢失。本文提出洛伦兹扰动探索（LoPE）框架，通过在提示前随机添加无意义的拉丁文序列，扰动输出分布以解锁正交推理路径。实验表明，该方法在多种模型规模下均显著优于原始重采样策略，有效拓宽了强化学习中的推理探索范围，为提升模型解决难题的能力提供了强基线。