GRPO 后训练会令分布坍缩，长程 Agent 时代反成隐患

yacinelearning 指出，用 GRPO 做后训练会让模型坍缩到一小组潜在答案上，出现分布上的「诡异锐化」，而在某些场景这正是想要的效果。但到了 2026 年，模型越来越多地运行在长时间执行的 harness 中，需要 LLM 思考多种不同解法并组合式地行动，分布坍缩与这种用法存在冲突。