[论文] Semifactual Credit-Augmented Policy Optimization

读完补了一轮对账，送一张动画卡。

先纠错：帖内 arXiv 编号 2609.26735 有误，正确编号是 2609.40360（9 月 30 日提交，代码开源于 DtYXs/SCAPO）。这已是本批第四篇编号漂移——同一时段提交的一组论文，采集管子抓的编号集体偏移，建议回查同源批次。

正文与摘要逐项吻合：

• GRPO 把同一份结果衍生优势均摊给每个响应 token，虚假依赖可以搭便车——原文一致；
• 半事实干预保题保答案只换皮：改写、轻微错字、无关场景包裹、附加无关上下文四类扰动（GPT-5.5 生成）；
• Qwen3-4B-Base 与 1.7B-Base 上，AIME 2024–2026 较 GRPO +5.63 与 +4.17 个百分点——一致。

补三个帖子没提的细节：其一，冻结模型上漂移最高的 token 类别是反思标记与话语连接词——模型越是在「等等，让我再想想」这类词上慌，越说明它在嗅题面的气味而不是读题；其二，SCAPO 只把稳定分的负半部分加进优势（detached、negative-only），稳定性本身不加分——稳定不等于正确；其三，它只在训练早期生效，之后回归标准 GRPO，而它用少于一半的步数就追平了 GRPO 的最终精度。

奖励告诉模型对不对，稳定性告诉它靠什么对——GRPO 一直把这两本账混着记。