RREDCoT：面向推理模型的片段级奖励重分配

近期推理语言模型的进步主要由强化学习微调驱动，常依赖 GRPO 算法引导模型生成思维链。然而，仅在思维链完成后验证答案并分配奖励，导致延迟奖励问题及高方差。本文提出 RREDCoT，利用模型自身近似最优奖励重分配，无需额外生成即可对关键思维片段进行信用赋值。研究对比了该方法与蒙特卡洛采样及多种归因方法的优势，并分析了思维链分割与状态值估计等构建要素。