DelTA：基于可验证奖励强化学习的判别式令牌信用分配

可验证奖励强化学习（RLVR）是提升大语言模型推理能力的关键技术，但其响应级奖励如何转化为令牌级概率变化尚不明确。本文提出 DelTA 方法，将 RLVR 更新视为判别器，指出标准方法易受高频共享模式主导而稀释判别性方向。DelTA 通过估计令牌系数，放大特定侧的令牌梯度方向并抑制共享方向，从而重构更新策略。在七个数学基准测试中，该方法显著优于同规模基线，并在代码生成等任务中展现出良好的泛化能力。