يقدم الباحثون SCOPE-RL، وهو إطار عمل من مرحلتين يُكثّف مكافآت التعلم التعزيزي للنماذج اللغوية الكبيرة مع الحفاظ على آلية تحديث GRPO.
تجمع هذه الطريقة بين RL المُسقَّف التكيفي، الذي يضيف مكافآت قابلة للتحقق مُفككة بادئة على سلاسل الأسئلة الفرعية قبل النجاح، وRL العملية الواعي بالجودة لتنقيح المسارات الصحيحة بعد النجاح. على Qwen3-8B-Instruct المدرب على DAPO-Math وBig-Math، يحسّن SCOPE-RL الدقة المتوسطة بنسبة تصل إلى 11.2 نقطة مئوية ويقلل رموز الاستدلال بنسبة تصل إلى 27.1% مقارنة بـ GRPO القائم على النتيجة فقط.
تظل هذه المكاسب سارية تحت GSPO وعلى Qwen3-0.6B-Instruct، مما يشير إلى أن تكثيف إشارة المكافأة مكمل لتقدمات RLVR على مستوى تحديث السياسة.