RL Judge 如何影响模型的推理能力

一项实验用 Qwen3.5-4B 对比纯结果奖励 GRPO 与引入 RL Judge 的 token 级信用分配，Judge 由 gpt-6-luna 担任，按验证修正、有效进展、无效错误等标签给推理片段打分。