论文：只训 Fisher 信息排名前 0.1% 的坐标，即可拿到 on-policy 全量训练约 85% 收益

一篇论文提出，on-policy 情况下得分均值为零，因此可在看到 reward 之前按仅依赖模型本身的 Fisher 信息给坐标排序，只训练排名前 0.1% 的坐标即可在策略梯度类方法上恢复约 85% 的全量训练收益。RichardYRLi 概述了该结论，YouJiacheng 转发称其「非常有意思」。