OpenJev-RLCD：面向推理模型的可校准决策强化学习实现

研究者推出 OpenJev-RLCD，针对推理模型过度自信问题实现了一种基于严格真评分规则的可校准决策强化学习（RLCD）方案。该方法采用“先校准后强化”的两阶段训练策略，解决策略优化中的噪声与推理失效问题。在 Qwen3-1.7B 评测中，RLCD 准确率持平或超越 SFT 与 GRPO，并在选择性预测上击败所有对比基线，相关代码已开源。