يقترح المؤلفون AdaPrefix-GRPO، وهي طريقة تضبط ديناميكيًا طول بادئة الحل الصحيح أثناء تدريب Group Relative Policy Optimization (GRPO). من خلال معالجة طول البادئة كمقبض تحكم بالتغذية الراجعة، يحافظ النظام على معدل نجاح قريب من 50٪ لتعظيم إشارة التدرج قبل سحب المساعدة تمامًا.
- تمنع هذه الطريقة تجميد GRPO على المشكلات الصعبة حيث تختفي المزايا النسبية للمجموعة بسبب عدم وجود نجاحات.
- تزيد الدقة بأكثر من الضعف بالنسبة لنموذج بحجم 0.6B و1.6 مرة لـ Qwen3-1.7B في معايير الرياضيات الصعبة عند مطابقة عمليات الفلوبيت التدريبية.
- تقلل الطريقة طول المسار تقريبًا إلى النصف مع الحاجة فقط إلى تغييرات في تحضير البيانات وقناع الخسارة على رموز البادئة.
تتيح هذه التقنية للنماذج التعلم بشكل أكثر فعالية من الأمثلة المتقدمة عن طريق ضمان ضبط الصعوبة باستمرار لتتناسب مع قدرة النموذج الحالية.