IXThinker·2025-10-25 15:40

RiskPO專攻難題逼出推理真本事

北京大學團隊提出RiskPO方法，直擊大模型後訓練的痛點：以均值為中心的優化容易忽略低概率但高資訊量的路徑，令推理能力提升停滯。新方法以雙管齊下的設計，在多項基準上取得提升。

均值優化的盲點

帶可驗證獎勵的強化學習（RLVR）已成為提升推理能力的主流範式，但以GRPO為代表的方法側重平均回報，低概率、高資訊的解題路徑難以獲得梯度，模型因而停留在「已知答案採樣」層面。