热带强化学习（Tropical Reinforcement Learning）

研究者提出热带强化学习及训练算法 TROPIC，通过将解方案概率相加改为取最大值的热带半环，使大语言模型能跨不同尝试拼接最佳步骤，解决组合推理难题。该方法将状态价值定义为最可能验证解的对数概率并记录显式路径；在 Sokoban、Countdown、FrozenLake 和 WebShop 任务中，TROPIC 超越最强 on-policy 基线达 16 个百分点。