Articol NeurIPS 2025 realizat de echipa Qwen: Dincolo de regula 80/20: tokenurile minoritare cu entropie mare stimulează învățarea eficientă prin întărire pentru raționamentul LLM Pe scurt: într-un RLVR asemănător cu GRPO, ar trebui să aplici pierderea doar token-urilor cu 20% cu cea mai mare entropie. [1/7]