MiniMax 论文里的 CISPO：为什么保住纠错 token 就能稳住 RL 训练

Andrew Carr 重读 MiniMax 论文后，制作了一份关于 CISPO（GRPO 变体）的图解讲解。他指出 CISPO 本身不算特别新颖，关键价值在于保留了那些标志模型即将开始自我纠正思维链（CoT）的稀有 token 的梯度信号，而标准的 token 级裁剪会把这些信号丢掉。内容适合想理解 RL 训练中 clipping 机制与 CoT 纠错关系的人。