DenoiseRL

DenoiseRL 是一个面向推理模型错误恢复的强化学习框架，旨在使模型在接收到由弱模型生成的错误前缀（noisy prefixes）时，仍能修正错误并输出正确答案。其核心技术是将推理过程建模为去噪任务：策略模型以被截断或错误的推理前缀为输入，通过可验证奖励（verifiable-reward RL）优化，主动修正中间状态并恢复完整正确解路径；无需强教师模型监督或人工构造困难样本。适用于大语言模型推理鲁棒性增强、弱监督条件下的推理微调、以及需在不完美中间输出上持续纠错的实际部署场景，如数学推理、逻辑问答与代码生成中的错误传播抑制。