📖 摘要

提出ThinkPrior，用零回滚难度先验解决RLVR中提示选择的冷启动问题。

🔑 关键词速览

RLVR	可验证奖励强化学习，一种使用可验证奖励信号进行策略优化的强化学习范式。
GRPO	组相对策略优化，一种通过组内奖励相对比较来更新策略的强化学习算法。
rollout	展开，指在环境中执行策略生成轨迹的过程，用于收集奖励数据。
zero-advantage silent groups	零优势静默组，指组内所有展开结果相同（全对或全错）导致优势为零的样本组。
Beta posterior	Beta后验，使用Beta分布作为先验，结合观测数据更新得到的后验概率分布。