提出Near-Future Policy Optimization(NPO),一种混合策略方法,利用同一训练过程中稍晚时刻的检查点(近未来策略)生成的验证正确轨迹来指导当前策略,从而在强化学习中平衡信号质量与方差代价;该方法在Qwen3-VL-8B-Instruct上结合GRPO将平均性能从57.88提升至62.…
机构:中科院
来源:arXiv 2604.20733 | AI4Papers 论文推荐平台