研究提出ExpDis框架：解耦可验证奖励强化学习中的探索与优化

Decoupling Exploration from Optimization in RLVR 针对在带有可验证奖励的强化学习（RLVR）中引入新颖性探索容易导致模型原有能力退化的问题，研究者提出了探索-蒸馏解耦框架ExpDis。该方法在探索策略阶段施加新颖性奖励激励采样多样解题路径，经正确性过滤后再蒸馏回无额外偏置的学生模型中。在多项数学推理基准上，ExpDis在同等算力预算下显著提升了pass@k的多样化求解能力。