浙大&北大团队提出SPADER：用step-wise GRPO与多样性感知奖励驱动多答案问答长尾探索

浙大与北大团队提出SPADER，将GRPO的轨迹级优势细化到步骤级，并用多样性感知探索奖励激励长尾答案发现，论文被EMNLP 2026 Main收录。该方法在Llama3.1-8B与Qwen3-8B两种基座、四个多答案QA基准上F1全部第一，QAMPARI上相对PPO、GRPO最高提升86.1%。消融显示SPA、新颖度溢价与信息增益三者缺一不可。