【学术研究】奖励稀缺，用Uniqueness-Aware RL治愈大模型的“策略懒惰病”

当你让AI求解方程x²-5x+6=0，它连续给出32种解法，细看却发现全是二次求根公式的变体——这种“策略懒惰”并非玩笑，而是当前大语言模型强化学习中广泛存在的“探索崩塌”危机。