RGPO：基于自适应理由脚手架的大模型推理策略优化框架

研究人员提出 Rationale-Guided Policy Optimization（RGPO）框架，通过自适应利用真实理由作为临时脚手架，解决大语言模型在线强化学习中的奖励稀疏问题。该方法帮助模型生成更高质量解并将其迁移回无引导设置，无需离线数据严格匹配 RL 格式。在纯语言与视觉-语言推理任务中，RGPO 相比 RLVR 基线均实现持续性能提升。