深度分析 DSS-GRPO 以難度分級壓縮 CoT 推理鏈，兼顧效率與正確性 大型語言模型（LLM）的鏈式思考（CoT）雖能提升推理可靠性，卻也帶來高昂的 token 成本。為此，研究者提出「難度分級區段式 GRPO（DSS-GRPO）」技術，在強化學習框架中將回饋訊號拆解為「思考（think）」與「答案（answer）」兩段，並以硬遮罩隔離，確保壓縮壓力只作用於推理過程，不影響用戶端答案的完整性與長度。
