Where the Model Changes Its Mind：用后见分歧定位实现高效可验证奖励强化学习

研究者提出 Hindsight-Divergence Localization（HDL），利用后见诱导的 token 对数似然变化来选取分支点，只从关键位置生成续写并仅用新生成的后缀更新策略。在数学、代码和智能体任务上，相比同等组规模与训练步数的 GRPO，HDL 生成 token 最多减少 2.5 倍、rollout 墙钟时间提速 1.8 倍，智能体任务性能最高提升 12.5 分。