PAEC：面向 RLVR 中 LLM 推理的位置感知熵校准

可验证奖励强化学习（RLVR）虽能提升大语言模型推理能力，但常因策略熵快速坍缩而局限于狭窄的高概率推理路径。针对全局熵正则化在长推理轨迹中效率低下的问题，本文提出位置感知熵校准（PAEC）。该框架利用局部 top-p 熵和双候选竞争构建软掩码，并施加基于锚点的下界惩罚，以防止关键位置的熵坍缩。在五个数学推理基准上的实验表明，PAEC 显著优于强基线，尤其在 AIME 类任务中表现突出，证实了推理强化学习中选择性探索分配的重要性。