基于强化学习和效率感知奖励的中文文本修正链式推理方法

中文语法纠错（CGEC）是大语言模型（LLM）的重要应用方向，但面临两大核心挑战。首先，通用预训练模型缺少针对中文细微语法差异的语言学先验知识，导致对病句的敏感度不足。其次，传统的监督微调（SFT）使用最大似然估计（MLE）进行训练，虽然能提高修正的召回率，但无法优化以精确率为导向的指标，从而引发系统性的过度纠正问题——模型倾向于对正确的句子也进行不必要的修改。

为了应对这些挑战，华东师范大学的研究团队提出了CSRP框架，通过三个阶段的渐进式训练构建出高质量的中文语法纠错能力。第一阶段是持续预训练（CPT），研究团队在包含590万条平衡样本的专用数据集上进行持续预训练，使模型内化中文语法领域的专业知识。第二阶段是链式推理监督微调（CoT SFT），不同于传统方法直接输出修正结果，CSRP要求模型显式生成错误的推理过程，包括错误类型识别、错误位置定位和修正策略，从而大幅提升诊断的透明度和可解释性。第三阶段是结合效率感知奖励的组相对策略优化（GRPO），研究者设计了一种新颖的效率感知奖励函数，对不必要的编辑行为给予负面奖励，从而有效抑制过度纠正倾向。

在权威基准测试中，CSRP取得了令人瞩目的成绩。在NACGEC（Native Chinese Grammatical Error Correction）基准上，CSRP达到了50.99的F0.5分数和57.17的精确率，显著优于此前的最佳结果，有效缓解了MLE训练模型固有的过度纠正偏差。在CSCD（Chinese Spelling Correction Dataset）拼写纠正任务中，CSRP的F1分数达到59.61，超越了包括GPT-4在内的现有顶尖模型，领先幅度达5.20个百分点。详细的消融实验表明，强化学习对齐阶段相比SFT基线带来了8%的相对提升，并且这一提升与大规模CPT的贡献相互正交，验证了显式优化编辑效率对于高质量语法纠错至关重要。

目前，CSRP的源代码已在GitHub上开源，供研究社区使用和进一步改进。该研究工作已被计算语言学顶会ACL 2026主会接收，预计在大会上展示。CSRP的成功不仅为中文语法纠错提供了新的技术途径，也为其他语言的语言校正任务提供了可借鉴的思路。