VARIATIONAL REASONING FOR LANGUAGE MODELS粗读

这是一篇推导很多的文章，有时间可以仔细读：

• 通过变分推断的方式给了一个lower bound
  
• 在Section 3中，我们还证明了现有的RFT以及RL (GRPO)训练框架有隐式的bias，会给简单问题更高的训练权重，并且结论可以泛化到更一般的reward shaping情况。

参考链接

1. https://arxiv.org/pdf/2509.22637
2. https://www.xiaohongshu.com/explore/68db566200000000030138ff?xsec_token=ABQQDE4evn6WsuhIRN3TfUAvaJeoUsP7bmNNh3M8tuJ3Q=&xsec_source=pc_search&source=web_search_result_notes