研究人员提出了一种名为 LEEPS 的提示采样方法，目标是降低大语言模型在强化学习训练中的无效计算。该方法主要用于带可验证奖励的强化学习流程，重点解决提示采样阶段的效率问题。基准测试显示，它在不明显拖慢训练的情况下，提高了模型在数学和通用推理任务上的表现。
无效 rollout 会消耗算力
在这类训练中，模型通常会针对同一提示生成多次 rollout，再根据奖励结果更新参数。如果这些 rollout 最终得到完全相同的奖励，这一轮训练就几乎无法提供有效学习信号，但仍会消耗算力和生成预算。
为减少这类浪费，研究人员通常会在 rollout 生成前先筛选提示。但现有方法往往面临取舍：如果过度依赖过去已经证明有效的提示，训练覆盖面会变窄；如果过度探索不确定提示，又会降低有效样本占比。
LEEPS动态分配提示预算
LEEPS 的设计思路，是在“复用已知有效提示”和“继续探索未知提示”之间动态分配资源，而不是固定采用某一种比例。它会把候选提示分成两组：一组是历史上更容易产生有效学习信号的提示，另一组是价值仍不明确的提示。
随后，系统会根据两组提示近期产生“非平凡奖励”的情况，动态调整 rollout 预算。这里的“非平凡奖励”，指的是同一提示下不同 rollout 之间存在有意义的奖励差异，这类样本更有助于训练继续学习。
两种模型规模均优于基线
在探索部分，LEEPS 还会利用潜在表示空间中的相邻提示，以及历史 rollout 结果，优先挑选更可能产生有效奖励差异的未知提示。也就是说，它不是随机探索，而是更有针对性地把算力投向更可能带来学习信号的样本。
- 1.5B 模型相对最强基线提升 2.6%
- 7B 模型相对最强基线提升 3.7%
- 3 项分布外推理基准也取得最高均分
研究结果显示，LEEPS 在两种模型规模和 9 项基准测试中都优于最强基线。在 6 项数学推理基准上，Qwen2.5-Math-1.5B 和 Qwen2.5-Math-7B 都取得了最高平均分，说明这一方法的收益并不只局限于单一任务。
每步额外增加约 2 秒
从效率看，LEEPS 每个训练步骤只增加约 2 秒在线采样开销。研究还提到，采用这一方法的模型在训练过程中通常能更快达到更强表现，而不只是最终分数更高。
对于需要大规模强化学习训练的团队来说，这类改进意味着可以用较小的额外采样成本，换取更少的无效生成和更快的性能提升。在算力资源持续紧张的背景下，这类训练效率优化仍是大模型研发的重要方向。
