HuatuoGPT-3 仅 27B 在 HealthBench 达 70.1，超越 GPT-6 Astra

港中深团队发布 HuatuoGPT-3，探索从基座模型出发的纯 RL 领域适配，绕开主流的 SFT+RL 流水线。团队指出纯 on-policy RL 存在冷启动问题，混合策略 RL 则有梯度饥饿与教师分布锚定两种失效模式，为此提出 OnePO 自适应目标演化，并在策略超过教师后通过 Teacher Retirement 丢弃教师输出。