Dropout-GRPO：用于连续潜在推理的变分随机性

群组相对策略优化（GRPO）依赖组内滚动的多样性，而连续潜在推理模型因确定性导致轨迹雷同，致使 GRPO 失效。本文提出通过结构化 Dropout 引入必要随机性：在单次滚动中保持伯努利掩码恒定，生成轨迹方差，使各滚动视为变分分布的后验样本。理论证明该方法具有无偏性及梯度良定义性。在 GSM8K 基准上，该方法将 Coconut 基线通过率从 27.29% 提升至 29.01%，验证了其在潜在推理模型后训练中的有效性。