隐藏以引导：通过语义掩码进行学习

针对可验证奖励强化学习（RLVR）在推理密集型任务中因探索不足而受限的问题，本文提出语义掩码专家策略优化（SMEPO）。该方法通过细粒度地掩码专家轨迹中与奖励相关的语义片段（如最终答案、中间值），同时保留问题分解与规划结构，将“从头推理”转化为“填空”过程。这有效防止了模型通过复制轨迹窃取奖励，迫使模型自主重构缺失内容以习得真正的推理能力。实验表明，SMEPO 在数学、代码及智能体搜索等领域显著提升了准确率并缩短了训练时间。