提出Sample-Routed Policy Optimization(SRPO),通过样本路由机制将正确样本送入GRPO进行奖励对齐强化学习,失败样本送入SDPO进行logit级自蒸馏校正,并引入熵感知动态加权机制抑制不可靠蒸馏信号,在保持SDPO早期快速提升和GRPO长期稳定性的同时,显著超越两者在多个基准上…
机构:中科院
来源:arXiv 2604.02288 | AI4Papers 论文推荐平台