في عالم التعلم المعزز مع المكافآت القابلة للتحقق (Reinforcement Learning with Verifiable Rewards - RLVR)، تمت مواجهة تحديات كبيرة حينما تؤدي الأسئلة الرياضية الصعبة، التي تحتوي على مجموعات عشوائية غير صحيحة، إلى عدم تحقيق تحديثات مفيدة، مما يجعل الأسئلة الأسهل تهيمن على تحديثات المتعلمين. هذه المشكلة تساهم في ما يعرف بـ 'تضييق التوزيع' (Distribution Sharpening)، حيث تتحسن نسبة النجاح في الأسئلة السهلة بينما ينخفض تغطية المسائل المعقدة.

لحل هذه القضية، تم استخدام تقنية 'توجيه التلميحات' (Hint Scaffolding) التي تعمل على استعادة تحديثات مفيدة عبر كشف جزء من الحلول الموثوقة التي يقدمها المعلم. ومع ذلك، لا تزال الطرق المعتمدة على التلميحات تواجه تحديين رئيسيين؛ عدم التوافق بين توزيع المعلم وتوزيع الطالب، والحاجة إلى تقليل التعرض للتلميحات ليتوافق مع التقييم بدون تلميحات.

استجابةً لهذه القضايا، تم تحسين الإجراءات من خلال تطوير مكونين رئيسيين: صياغة التلميحات المتوافقة مع التوزيع (Distribution-Aligned Hint Synthesis - DAHS) التي تبني تلميحات موثوقة مرتبطة باستجابات الطلاب، وتقنية تقليل التعرض للتلميحات (Backward Hint Annealing - BHA) التي تقلل من التعرض للتلميحات مع تقدم دقة الحلول في الاختبارات.

عبر استخدام إطار التدريب DAPO، أظهرت هذه الأساليب تحسينات ملحوظة في نسبة النجاح للمتعلم Qwen3-1.7B-Base وQwen3-4B-Base في اختبارات الرياضيات AIME24/25/26، إضافةً إلى تحسينات أخرى في خمسة اختبارات ثانوية. وبالرغم من أن الحلول قد شهدت تحسناً في الأداء، إلا أن التركيز كان بشكل كبير على النسب العالية دون استعادة تغطية النموذج الأساسي.

بشكل عام، عند توفر حلول موثوقة من المعلمين، تساهم DAHS + BHA في تقليل تضييق التوزيع الناتج عن تقنيات DAPO في سياقات RLVR ذات الأسئلة الرياضية الصعبة.