AI资讯新闻榜单内容搜索-Policy Imp

关键词: AI新闻,模型训练,PIPO,PIRL,Policy Improvement Reinforcement Learning

来自北航、北大、美团的研究团队提出了Policy Improvement Reinforcement Learning, PIRL，以及对应的落地算法 PIPO。这项工作关注的是大模型 RL 后训练中一个非常基础、但长期被默认跳过的问题：一次更新在当前数据上看起来优化了学习信号，是否就真的说明模型策略变强了？