知道何时停止：用片段级信用分配减少推理过度

论文提出 DASH（Drift Aware advantage SHaping），利用推理轨迹中的中间答案承诺与真实答案比较，无需额外步骤标注即可判断后续反思是否有效，并据此分配片段级信用。在竞赛数学基准上，DASH 平均准确率为 59.45%，高于 Dr.GRPO 的 58.1% 和 GRPO 的 56.95%，同时减少无效反思行为。