提出高斯化组相对策略优化(G²RPO),一种通过非线性分布匹配将任务优势分布严格映射至标准正态分布的强化学习目标,以解决多模态大模型在多样化视觉任务中奖励拓扑差异大、感知与推理难以平衡的问题;并结合响应长度塑造和熵塑造机制,构建通用多模态推理模型OpenVLThinkerV2,在18个基准上超越强开源及主流闭源前…
机构:UCLA
来源:arXiv 2604.08539 | AI4Papers 论文推荐平台