RIKEN 等提出 FBI 优化器：训练更新只需一次采样，Pass@10 成本降至 12.3%

RIKEN AIP 等机构提出 FBI 优化器，让以 Pass@K 为目标的训练每次更新只需一次参数采样。在 Maze-Hard 上其 Pass@10 达 91.3%，与逐个采样的 Direct-10（91.0%）相当，但每次更新训练时间从 0.5614s 降至 0.0692s，仅为 12.3%。其平均 Pass@K 也优于 GRPO 与 DMPO。