arXiv · cs.AI· Taehyeon Kim, Hyunsoo Lee, Youngsoo Jang, Moontae Lee·· 6 小时前
RPO通过Root-token策略优化训练大模型自适应推理
Efficiently Learning To Reason or Not to Reason: Root-token Policy Optimization for Adaptive Thinking
arXiv:2610.17767v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Taehyeon Kim, Hyunsoo Lee, Youngsoo Jang, Moontae Lee
研究任务与主要进展
研究者提出RPO（Root-token Policy Optimization），仅训练初始root token来决定模型是否进入推理，从而让大模型根据问题难度自适应分配计算。作者称，RPO通过组相对奖励和组级优势显著降低训练开销与显存使用，并在多个模型系列和规模上以约2%的训练计算量学习自适应推理；当前材料仅提供论文摘要，未说明具体基准和实验细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org