GeoMin：基于几何分布建模的数据高效半监督可验证奖励强化学习

可验证奖励强化学习（RLVR）显著推动了大语言模型推理的发展，但面临标注成本高与无监督方法模型崩溃的两难困境。现有半监督方法虽利用少量标签引导未标注数据，却因依赖粗糙的性能启发式而受限于数据效率瓶颈。为此，本文提出 GeoMin，通过在标签数据上建模全局特征分布，解码正确与错误轨迹间的结构差异，从而建立稳健先验以评估自奖励信号的可靠性，充分释放未标注数据潜力。实验表明，GeoMin 仅用 10% 标注量即超越全监督模型，展现出卓越的数据效率。