模型
PAPO
一种引入外部引导信号的大语言模型强化学习训练方法，属于引导增强型策略优化方法系列
时间轴 (近 90 天)
10月7日
GA-GRPO将外部引导抽象为随机引导算子G，通过选择不同的G，vanilla GRPO、LUFFY、ExPO、PAPO、TAPO都成为该框架的特例
待验证50%
10月7日
LUFFY、ExPO、PAPO、TAPO等方法通过引入外部引导（专家轨迹、自我解释或检索到的思维模式）来提升大模型推理
待验证50%
一种引入外部引导信号的大语言模型强化学习训练方法，属于引导增强型策略优化方法系列
GA-GRPO将外部引导抽象为随机引导算子G，通过选择不同的G，vanilla GRPO、LUFFY、ExPO、PAPO、TAPO都成为该框架的特例
LUFFY、ExPO、PAPO、TAPO等方法通过引入外部引导（专家轨迹、自我解释或检索到的思维模式）来提升大模型推理