美团 TGRL：温度分组强化学习，RLVR 训练速度提升最高 36%

美团提出 TGRL（温度分组强化学习），把温度带来的 rollout 多样性转为显式训练信号，解决 RLVR 探索效率瓶颈：每个 prompt 的 rollout 组按温度分为低/高两个子集，用奖励对比估计探索增益，再以 JS 散度分配为 token 级 credit。不扩大 rollout 预算下，达到同等精度最高快 36%，代码已开源。