像学生刷题时只背最顺手的一套解法，AI也可能越训练越偏爱少数答案。GRPO（让模型为同一道题生成一组答案，再按组内表现更新的强化学习方法）虽能提高常见正确答案的命中率，却可能把概率进一步挤向这些答案，使少见但正确的推理路径更难被抽到。ReCo正是给这种“分布坍缩”打补丁。
它在两个位置重新分配训练权重。答案层面，某条回答原本越容易生成，就越可能在一组样本中反复出现、主导更新；ReCo按其预期出现次数降权，并用长度归一化后的生成概率，减少长答案天然概率较低带来的偏差。词元层面，它也不再继续放大已经占优的选择，而把更多更新留给仍有多种选择的分岔点。作者在三个模型、五个数学推理基准上的实验称，ReCo在较大的 Pass@k——尝试 k 次、至少答对一次的概率——上优于 GRPO，小 k 时则表现相当。这意味着它试图提升常用解法的同时，不把基础模型原有的解题可能性过早剪掉。