arXiv论文提出StaRPO稳定性增强强化学习框架

Jinghan Zhang 等在 arXiv 发布论文（摘要），提出 StaRPO，一种将推理稳定性纳入大语言模型强化策略优化目标的框架。 方法把稳定性分解为两个轻量指标：用自相关函数（ACF）衡量推理步骤间的局部连贯性，用路径效率（PE）衡量推理轨迹的全局目标导向性，并与任务奖励结合。 基于论文摘要，作者称在两个骨干模型和四个推理基准上的实验中，StaRPO 相较所比较基线提升了最终答案准确率和逻辑稳定性；具体实验条件与数值未说明。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。