模型
GDPO
一种用于多奖励强化学习的策略优化方法，采用逐提示归一化，作为WAS-PO的对比基线。
时间轴 (近 90 天)
11月3日
WAS-PO 用批量级归一化替换了 GDPO 的逐提示归一化，但该改动与白化操作在实验中未被分离。
待验证50%
11月3日
三奖励下 WAS-PO 的留出准确率略低于 GDPO（不显著）；四奖励下绝对低 0.03（仅评估了两个种子）。
待验证50%
11月3日
在两奖励设置下，WAS-PO 的训练奖励低于 GDPO。
待验证50%
一种用于多奖励强化学习的策略优化方法，采用逐提示归一化，作为WAS-PO的对比基线。
WAS-PO 用批量级归一化替换了 GDPO 的逐提示归一化，但该改动与白化操作在实验中未被分离。
三奖励下 WAS-PO 的留出准确率略低于 GDPO（不显著）；四奖励下绝对低 0.03（仅评估了两个种子）。
在两奖励设置下，WAS-PO 的训练奖励低于 GDPO。