热点事件持续更新
RGPO：用理由引导策略优化提升推理
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
围绕“用理由引导策略优化提升推理”这一方向，RGPO 被提出：它把 ground-truth rationale 当作临时脚手架，先借助理由引导模型生成改进后的响应，再只把奖励更高的模型自生成解回传用于训练，以缓解强化学习中的奖励稀疏问题。2026 年 10 月 7 日 arXiv cs.AI 的新报道进一步介绍了 RGPO 的自适应推理依据脚手架设计，称其在纯语言推理与视觉语言推理任务上持续优于 RLVR 基线；消融实验显示，自适应的 rationale 引导是这一增益的主要来源。报道还称，该方法不要求 off-policy 数据与 RL 任务格式相匹配，训练过程稳定，并能同时提升文本模型与多模态模型的推理性能。
AI 根据报道生成 · 2 小时前更新
最新进展10月7日 12:00
新论文称 RGPO 用自适应理由脚手架，在语言与视觉语言推理上持续优于 RLVR 基线。报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv cs.AIRGPO：用自适应推理依据脚手架学习推理
RGPO 将 ground-truth rationale 作为临时脚手架，先帮助模型生成改进响应，再仅回传更高奖励的模型生成解，以缓解 RL 奖励稀疏。在纯语言和视觉语言推理任务上，RGPO 持续优于 RLVR 基线，消融显示自适应 rationale 引导是主要增益来源。它不要求 off-policy 数据匹配 RL 任务格式，可稳定训练并提升文本与多模态模型推理性能。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。