शोधकर्ताओं ने SCOPE-RL पेश किया, जो एक दो-चरणीय ढांचा है जो बड़े भाषा मॉडलों के लिए प्रबलन शिक्षण (reinforcement learning) इनामों को घना बनाता है जबकि GRPO अपडेट तंत्र को बनाए रखता है।
यह दृष्टिकोण अनुकूलित सहायक RL (Adaptive Scaffolded RL) को जोड़ता है, जो सफलता से पहले उप-प्रश्न श्रृंखलाओं पर पूर्वांग-विघटित सत्यापनीय इनाम जोड़ता है, और गुणवत्ता-जागरूक प्रक्रिया RL (Quality-Aware Process RL) को सफलता के बाद सही पथों को परिष्कृत करने के लिए। DAPO-Math और Big-Math पर प्रशिक्षित Qwen3-8B-Instruct पर, SCOPE-RL औसत सटीकता को 11.2 प्रतिशत बिंदु तक बढ़ाता है और परिणाम-केवल GRPO की तुलना में तर्क टोकन को 27.1% तक कम करता है।
ये लाभ GSPO और Qwen3-0.6B-Instruct के तहत भी बना रहते हैं, जो संकेत देता है कि इनाम-संकेत घनीकरण नीति-अपडेट-स्तर RLVR प्रगति के पूरक है।