提出sharpness因子κ及有效κ_eff，通过奖励预算控制缓解RL for LLM推理中的策略分布尖锐化问题

利用MoE路由器识别并干预‘过度推理’行为（如冗余验证），实现按推理阶段（规划/推导/验证）精细化调控计算