从自身解中学习：基于可验证奖励强化学习的自条件信用分配

可验证奖励强化学习（RLVR）推动了大模型在推理任务上的进展，但现有方法如 GRPO 对所有 token 均匀分配信用，导致关键推理步骤激励不足。现有细粒度方法依赖外部资源或教师模型，限制了纯 RLVR 场景的应用。本文提出 SC-GRPO，利用模型在自身验证轨迹上的自条件分布差异作为梯度权重，无需外部监督。实验表明，该方法在数学、代码及智能体任务上显著优于基线，并展现出更强的泛化性能。