Tropical Reinforcement Learning：用热带半环代数提升 LLM 组合推理

Tropical Reinforcement Learning 将对备选解概率的求和改为取最大值（热带半环），使状态价值成为最可能被验证解的对数概率并附带可重放路径，从而能把不同 rollout 的最优前缀与后缀在共享状态处拼接。