NeurIPS 2026 论文 Follow the Winners：模仿优胜轨迹替代 PPO/GRPO

Zhenwen Dai 等人的论文 Follow the Winners 被 NeurIPS 2026 接收，提出一种 PPO 和 GRPO 之外的简单 RL 后训练替代方案：从 replay buffer 中采样轨迹，保留「优胜者」并模仿它们，无需 critic，也无需 group rollouts。合作者包括 Joery de Vries 和 Neil Lawrence。