提出仅依赖正样本Rollout的Positive-Only Policy Optimization (POPO)框架,用于大语言模型数学推理任务的对齐训练,在多个基准上取得了媲美甚至优于GRPO的性能(如AIME 2025上从30.00%提升至36.67%)。
机构:华盛顿大学
来源:arXiv 2605.06650 | AI4Papers 论文推荐平台