提出FSPO单策略时间自蒸馏优化RLVR方法

Aryan Das、Arnab Bhattacharya 和 Vinay Kumar Verma 在 arXiv（2610.19687）发布论文，提出 Function-Space Policy Optimization（FSPO），一个单策略框架，将稀疏存储的历史下一词元分布固定为时间目标，在不维护持续教师模型的情况下实现时间上的分离，并结合特权分歧修正、可靠性自适应接地和时空记忆来优化 RLVR 训练。 基于论文摘要：在 5 小时训练预算下，FSPO 在推理与工具使用基准上取得最高平均准确率，较最强基线平均提升约 4 个百分点；在 Olmo3-7B-Instruct 上峰值内存从约 70 GB 降至 56 GB。以上为论文摘要中的声称，尚无独立验证。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。