热点事件持续更新
研究团队提出大模型长程强化学习框架TAPO
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
针对大语言模型长程自回归推演中出现的状态分布偏移与训练崩溃问题，研究人员于2026年10月12日公布了轨迹感知策略优化（TAPO）强化学习框架。该方法在理论上推导了状态分布修正并将其融入强化学习目标，同时结合了几何平均估计器以降低方差，并引入长度感知动态裁剪机制。测试结果显示，在8个竞赛级基准上，TAPO相比GRPO在数学推理和算法编程任务中分别实现了最高48%和12%的性能提升，并显著增强了训练稳定性。
AI 根据报道生成 · 8 小时前更新
最新进展10月12日 12:00
研究团队提出长程强化学习框架TAPO，在数学推理上相比GRPO最高提升48%，显著改善训练稳定性。报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv 机器学习轨迹感知策略优化（TAPO）：缩小长程 LLM 强化学习中的状态分布差距
针对长程自回归推演引起的状态分布偏移与训练崩溃，研究人员提出轨迹感知策略优化（TAPO）框架。该方法理论推导了状态分布修正并将其融入强化学习目标，同时采用几何平均估计器降方差与长度感知动态裁剪。在 8 个竞赛级基准上，TAPO 相比 GRPO 在数学推理和算法编程中分别实现最高 48% 和 12% 的提升，训练稳定性显著提高。
本事件热度走势
当前热度 8·可比范围峰值 10（10月12日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。