算法论文8

SAPO：让大语言模型强化学习告别“硬剪切”

通义千问Qwen2025-12-08

AI 摘要

强化学习提升大语言模型推理能力，但现有基于组策略优化方法有高方差问题。GRPO 和 GSPO 硬剪切有缺陷，新提出的 SAPO 用平滑门控替代，实验显示其在多任务上优于前两者，有望成基础技术。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

腾讯开源框架，一句话造3D世界

香港科技大学（广州）和腾讯团队开源VibeWorlding框架，实现说句话造3D世界。它由VWE - Bench和VibeWorlding - Gym组成，开源模型经强化学习训练后成绩逆袭，证明强化学习解锁3D推理潜力巨大。

OpenAI发文称暂停最新模型强化学习训练两周，加固研究环境、进行红队测试等。部分低风险训练已恢复，最大规模前沿模型训练仍暂停。此举源于Hugging Face安全事故及Astra模型潜在风险。

牛津大学和新加坡国立大学研究团队提出心智世界建模（MWM）通用框架，将心智变量纳入世界状态。还实现基准系统 MENTIS 验证其有效性，实验表明 MWM 对预测人类决策必要，瓶颈是状态转移模拟能力不足。

OpenMOSS团队开源的World Critic Model（WCM），解决了视觉 - 语言 - 动作模型强化学习（VLA - RL）中批评家模型（Critic Model）仅依赖单帧观测打分的问题。WCM让Critic学习预测执行动作后的潜在状态，代码等全开源，验证效果显著。