Article NeurIPS 2025 de l'équipe Qwen : Au-delà de la règle 80/20 : les jetons minoritaires à haute entropie stimulent un apprentissage par renforcement efficace pour le raisonnement des LLM TLDR : dans le RLVR de type GRPO, vous devriez appliquer la perte uniquement aux 20 % de jetons à la plus haute entropie. [1/7]