Artículo de NeurIPS 2025 por el equipo de Qwen: Más allá de la regla 80/20: los tokens minoritarios de alta entropía impulsan un aprendizaje por refuerzo efectivo para el razonamiento LLM Resumen: en RLVR tipo GRPO deberías aplicar la pérdida solo a los tokens de entropía del 20% más alto. [1/7]