FAPO: Flawed-Aware Policy Optimization for Efficient and Reliable Reasoning
Soochow University(苏州大学);ByteDance Seed(字节跳动种子)
FAPO通过引入缺陷感知机制,优化策略以提升大语言模型在高效可靠推理中的性能,提高结果正确性与训练稳定性。
2026-02-27 cs.LG
VIMPO: Value-Implicit Policy Optimization for LLMs
UC Berkeley(加州大学伯克利分校);Yale University(耶鲁大学)
提出VIMPO方法,通过KL正则化强化学习的最优条件导出策略隐含值函数,无需训练评论家,实现细粒度信用分配,在数学推理基准上优于GRPO。
2026-06-19 cs.LG
When are LLMs Sufficient Policy Optimizers for Sequential RL Tasks?
Department of Computer Science, Stanford University(计算机科学系,斯坦福大学)
提出PromptPO方法,利用LLM通过Python描述状态空间、动作空间和奖励函数,基于rollout反馈迭代生成和优化可执行策略,在多种环境中匹配或超越标准RL基线,但在细粒度连续控制任务中表现不足。
2026-06-29 cs.AI cs.LG
One-Way Policy Optimization for Self-Evolving LLMs
Shenzhen Graduate School, Peking University(北京大学深圳研究生院);Dartmouth College(达特茅斯学院);Alibaba(阿里巴巴)
本文提出单向策略优化方法,通过解耦优化方向与更新幅度,解决传统方法中验证器奖励稀疏导致的训练不稳定问题,实现大语言模型的持续自演化。
2026-05-21 cs.AI cs.LG
Teacher-Guided Policy Optimization for On-Policy Reasoning Distillation under Large Policy Divergence
School of Computer Science and Engineering, Northeastern University, China(东北大学计算机科学与工程学院);Tsinghua University(清华大学);Meituan(美团);Meta AI;NiuTrans Research, Shenyang, China(新译研究院,沈阳,中国)
针对在线蒸馏中教师与学生策略差异大时反向KL监督失效的问题,提出教师引导策略优化(TGPO),通过教师直接指导学生上下文的token级生成并结合RLVR奖励,在推理基准上优于现有方法。
2026-11-10 cs.AI cs.LG
PolicyEvolve: Evolving Programmatic Policies by LLMs for multi-player games via Population-Based Training
School of Computer Science(计算机科学学院);School of Information and Software Engineering(信息与软件工程学院)
PolicyEvolve利用LLMs通过基于种群的训练框架,为多玩家游戏自动生成可解释的程序化策略,减少人工代码依赖和环境交互,实现高性能对抗策略。
2025-09-07 cs.AI cs.LG
Segment-Aligned Policy Optimization for Multi-Modal Reasoning
Fudan University(复旦大学);Southeast University(东南大学);China Telecom Artificial Intelligence Technology (Beijing) Co., Ltd.(中国电信人工智能技术(北京)有限公司);Institute of Artificial Intelligence, China Telecom(中国电信人工智能研究院)
本文提出SAPO方法,通过将推理步骤而非token或完整序列作为策略更新的基本单元,提升多模态推理任务的准确性和稳定性。
2026-05-07 cs.AI cs.LG
Self-Distilled Reasoner: On-Policy Self-Distillation for Large Language Models
Meta Superintelligence Labs(Meta 超智能实验室)
本文提出自蒸馏推理器,通过单个LLM同时担任教师和学生,利用特权信息提升推理效率,优于强化学习和离线蒸馏方法。
2026-03-20 cs.CL cs.LG
LAPO: KL-Free Logit-Averaged Policy Optimization to Leverage RL and SFT in LLM Post-Training
UC San Diego(加州大学圣迭戈分校)
本文提出一种在LLMs后训练中通过logit平均补充强化学习的方法,将该方法整合到Group Relative Policy Optimization (GRPO)中,无需使用KL正则化或critic,通过logit平均结构将可训练策略与参考策略耦合,以利用可训练策略的推理能力并保持SFT的格式优势。
2026-11-10 cs.AI cs.LG
Policy Guided Tree Search for Enhanced LLM Reasoning
针对大语言模型复杂推理能力不足的问题,提出策略引导树搜索(PGTS)框架,通过学习策略动态决策推理路径探索方式,在多任务基准测试中实现更优推理性能并显著降低计算成本。
2025-02-04 cs.AI cs.LG
Semi-off-Policy Reinforcement Learning for Vision-Language Slow-Thinking Reasoning
Shanghai Jiao Tong University(上海交通大学);Shanghai AI Laboratory(上海人工智能实验室);MMLab, The Chinese University of Hong Kong(香港中文大学MMLab)
针对同策略强化学习受限、离策略强化学习易引发视觉幻觉的问题,提出半离策略强化学习框架SOPHIA,结合同策略视觉理解与离策略推理,有效提升LVLM多模态推理性能,达到开源模型最优水平。
2025-10-22 cs.CV cs.LG
DRARL: Disengagement-Reason-Augmented Reinforcement Learning for Efficient Improvement of Autonomous Driving Policy
School of Vehicle and Mobility, Tsinghua University(清华大学车辆与移动学院);Didi Global(滴滴出行);Department of Civil and Environmental Engineering, University of Michigan(密歇根大学土木与环境工程系);Lab for High Technology, Tsinghua University(清华大学高科技实验室);Institute for AI Industry Research, Tsinghua University(清华大学人工智能产业研究院)
针对自动驾驶脱离数据稀缺且部分无关的问题,提出DRARL方法,利用OOD模型识别脱离原因,在原因增强环境中训练策略,提升真实场景下策略性能且避免过度保守。
2025-06-20 cs.LG cs.RO
APRIL: Annotations for Policy evaluation with Reliable Inference from LLMs
Stanford University(斯坦福大学)
APRIL利用大语言模型生成医疗领域的反事实注释,以提高离线策略评估的准确性与可扩展性。
2025-11-21 cs.AI cs.LG
Prosperity before Collapse: How Far Can Off-Policy RL Reach with Stale Data on LLMs?
Carnegie Mellon University(卡内基梅隆大学);Meta AI
针对大语言模型同策略强化学习效率低、异步离策略训练因数据陈旧易性能下降或崩溃的问题,提出二阶矩信任策略优化M2PO,通过约束重要性权重二阶矩抑制极端离群值,在高陈旧度下仍能稳定训练且性能匹配同策略方法。
2025-10-28 cs.AI cs.LG
Scaling Reasoning Efficiently via Relaxed On-Policy Distillation
REOPOLD通过放松在线策略蒸馏的约束,提升模型训练效率和推理扩展能力,尤其在视觉推理任务中表现突出。
2026-10-28 cs.CL cs.LG
From Solving to Verifying: A Unified Objective for Robust Reasoning in LLMs
Meta
针对大语言模型自验证能力不足的问题,提出GRPO-Verif算法,通过统一损失函数联合优化求解生成与自验证,在保持推理性能的同时提升自验证能力。
2025-11-19 cs.AI cs.LG
EMA Policy Gradient: Taming Reinforcement Learning for LLMs with EMA Anchor and Top-k KL
University of Toronto(多伦多大学)
EMA-PG通过EMA锚点和Top-k KL估计器提升LLM强化学习性能,显著提高数学推理和代理任务表现
2026-02-04 cs.AI cs.LG
Stable Asynchrony: Variance-Controlled Off-Policy RL for LLMs
MIT(麻省理工学院);NVIDIA(英伟达)
VCPO通过动态调整学习率和最小方差基线,提升大语言模型异步训练的稳定性与效率。
2026-03-02 cs.AI cs.LG
Step-wise Policy for Rare-tool Knowledge (SPaRK): Offline RL that Drives Diverse Tool Use in LLMs
本文提出SPaRK离线强化学习框架,通过双目标奖励和稀有优先利用策略训练Llama-3.1 8B模型,在保持准确性的同时显著提升了LLM的工具选择多样性与推理能力。
2025-07-15 cs.LG cs.MA
Policy Gradient With Serial Markov Chain Reasoning
King’s College London(伦敦国王学院)
我们引入了一个新的框架,执行决策的强化学习(RL)作为一个迭代推理过程。我们的代理行为模型的稳态分布的参数化推理马尔可夫链(RMC),优化与一个新的易于处理的估计的策略梯度。我们通过模拟RMC足够的推理步骤来接近其稳态分布来执行动作选择。我们展示了我们的框架有几个有用的属性,这些属性是传统RL固有的。例如,它允许代理行为近似任何连续分布的动作参数化的RMC与一个简单的高斯转换函数。此外,达到收敛的推理步骤的数量可以随着每个动作选择决策的难度自适应地缩放,并且可以通过重用过去的解决方案来加速。我们得到的算法在流行的Mujoco和DeepMind Control基准测试中实现了最先进的性能,无论是本体感受任务还是基于像素的任务。
2022-10-13 cs.AI cs.LG
Demystifying Hidden-State Recurrence: Switchable Latent Reasoning with On-Policy Reinforcement Learning
HKUST(GZ)(香港科技大学(广州));University of Cambridge(剑桥大学);NTU(南洋理工大学);JoinQuant(聚宽);HKUST(香港科技大学)
提出SWITCH框架,通过离散边界令牌使隐状态循环推理兼容在线强化学习,并支持因果机制分析,实验表明其优于现有方法。
2026-10-14 cs.CL cs.LG
$f$-Trajectory Balance: A Loss Family for Tuning GFlowNets, Generative Models, and LLMs with Off- and On-Policy Data
Department of Statistics, University College London, UK(伦敦大学学院统计学系);Valence Labs, London, UK(伦敦Valence实验室)
本文提出一种基于$f$-散度的损失家族,通过on-policy和off-policy数据调整生成模型,提升模型覆盖性和泛化能力。
2026-05-14 cs.AI cs.LG
BAPO: Stabilizing Off-Policy Reinforcement Learning for LLMs via Balanced Policy Optimization with Adaptive Clipping
Fudan University(复旦大学);Shanghai Qiji Zhifeng Co., Ltd.(上海奇绩智峰有限公司);Shanghai Innovation Institute(上海创新研究院)
针对大语言模型离策略强化学习中熵降、优化不稳定的问题,提出带自适应裁剪的平衡策略优化方法BAPO,动态调整裁剪边界平衡正负贡献、保留熵,在多场景及AIME基准上实现更优性能。
2025-10-21 cs.AI cs.CL cs.LG
Prompted Policy Search: Reinforcement Learning through Linguistic and Numerical Reasoning in LLMs
Interactive Robotics Lab, Arizona State University(亚利桑那州立大学交互机器人实验室);Research & Development, Procter & Gamble(普罗cter与 gamble 研究与发展)
ProPS通过结合语言和数值推理,在大语言模型中实现高效的强化学习,展示了在多个任务中超越传统算法的性能。
2025-11-26 cs.AI cs.LG
From Outcome to Representation: Tracing Reasoning Mechanisms through Integrated Policy Gradient
Independent Researcher(独立研究者);ShanghaiTech University(上海科技大学)
本文提出集成策略梯度框架,通过反向传播复合结果信号,实现对大语言模型推理行为的精确解释与控制。
2026-11-05 cs.AI cs.CL cs.LG
SLPO: Scaling Latent Reasoning via a Surrogate Policy
The Hong Kong Polytechnic University(香港理工大学);Sichuan University(四川大学)
研究如何让潜在推理器实现测试时扩展,引入代理潜在策略优化(SLPO),通过经验代理策略密度和正确性监督停止头,将结果奖励强化学习引入自回归潜在推理器,在连续和软思维设置中提升了性能。
2026-10-06 cs.AI cs.CL cs.LG
Iterative Nash Policy Optimization: Aligning LLMs with General Preferences via No-Regret Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Tencent AI Lab(腾讯AI实验室)
本文提出了一种基于双人博弈和无悔学习的迭代纳什策略优化(INPO)算法,通过直接在偏好数据集上最小化新损失目标,避免了高昂的胜率估计成本,有效实现了LLMs与一般偏好的对齐。
2025-03-03 cs.AI cs.CL cs.GT
R1-VL: Learning to Reason with Multimodal Large Language Models via Step-wise Group Relative Policy Optimization
Nanyang Technological University(南洋理工大学)
本文提出StepGRPO在线强化学习框架,通过逐步奖励提升多模态大语言模型的推理能力,并推出R1-VL模型系列,在8个基准上验证了优越性。
2025-08-04 cs.AI cs.CL cs.CV
Training-Free Policy Violation Detection via Activation-Space Whitening in LLMs
Fujitsu Research of Europe(富士通欧洲研究机构);Ben-Gurion University of the Negev(贝内杰尔大学)
本文提出一种无需训练的策略违规检测方法,通过激活空间白化技术在大语言模型中实现高效检测。
2026-09-02 cs.LG
Bootstrapping LLMs via Preference-Based Policy Optimization
Chen Jia(陈佳)
本文提出了一种基于偏好的策略优化框架,通过主动收集偏好数据实现大语言模型的持续改进,并在多个基准测试中优于现有方法。
2025-12-24 cs.AI cs.LG
Towards Generalizable Reasoning: Group Causal Counterfactual Policy Optimization for LLM Reasoning
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Wangxuan Institute of Computer Technology, Peking University(北京大学王宣计算机技术研究所);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出群体因果反事实策略优化方法,通过反事实奖励提升LLM推理的通用性,强调推理过程的鲁棒性和有效性,实验验证其有效性。
2026-05-13 cs.LG
Fisher-Informed Recalibration for Feedback-Based On-Policy Self-Distillation of LLMs
Purdue University(普渡大学);Yonsei University(延世大学);University at Buffalo-SUNY(纽约州立大学布法罗分校)
针对基于反馈的在线策略自蒸馏中优化不稳定和性能崩溃问题,提出双分支框架 FIRE,通过 Fisher 迹校准监督信号,分离反馈方向与步长,实现稳定蒸馏并保持下游性能。
2026-09-29 cs.LG
The Parts Are Greater Than the Sum: Automated Task Sequencing for Efficient Training of Multi-Policy LLMs
该研究针对多策略大语言模型训练中共享优化空间的干扰问题,提出自动多策略PEFT框架,通过任务分组排序组织独立QLoRA路径,在TRACE基准取得44.78的最佳性能。
2026-08-03 cs.LG
Towards Harnessing the Power of LLMs for ABAC Policy Mining
Indian Institute of Technology Kharagpur(印度克达尔格浦尔理工学院)
本文研究了大语言模型在ABAC策略挖掘中的应用,发现其在小规模场景有效,但随着规模扩大,准确性下降且策略规模增大。
2025-11-22 cs.CR cs.LG
Beyond Keywords: Leveraging Generative LLMs and Label Aggregation to Classify Economic Policy Uncertainty in News Articles
本研究利用生成式大语言模型和弱监督标签聚合技术,自动分类新闻中的经济政策不确定性,克服了关键词误报和人工标注成本高的局限,并支持多标签与层次分类。
2026-09-30 cs.AI cs.LG
Meta-Aligner: Bidirectional Preference-Policy Optimization for Multi-Objective LLMs Alignment
本文提出Meta-Aligner框架,通过双向优化偏好与策略响应,生成动态偏好以提升训练稳定性,实验证明其在多目标基准上的优越性能。
2026-04-27 cs.AI cs.LG
Scaling Policy Compliance Assessment in Language Models with Policy Reasoning Traces
UKRI CDT for Accountable, Responsible, and Transparent AI(英国研究与创新署负责任、可信与透明人工智能博士培训中心);University of Bath(巴斯大学)
本文提出 Policy Reasoning Traces(PRT),以专门生成的推理链连接规则条款与案例判断,在推理和训练场景中提升 LLM 的 HIPAA、GDPR 合规评估、条款引用与决策性能。
2025-09-27 cs.CL cs.LG
A Picture is Worth A Thousand Numbers: Enabling LLMs Reason about Time Series via Visualization
Georgia Institute of Technology(佐治亚理工学院);Salesforce Research Asia(Salesforce亚洲研究院)
本文提出TimerBed测试平台评估大语言模型时间序列推理能力,并针对数值建模缺陷提出可视化方案VL-Time,显著提升性能并降低令牌成本。
2025-04-25 cs.AI cs.LG
Learning to Reason under Off-Policy Guidance
Shanghai AI Laboratory(上海人工智能实验室);Westlake University(西湖大学);Nanjing University(南京大学);The Chinese University of Hong Kong(香港中文大学)
针对在策略RLVR无法超越初始能力的问题,提出LUFFY框架,结合离策略轨迹与混合策略GRPO,在数学基准上平均提升超6.4,并能训练弱模型。
2025-06-22 cs.AI cs.CL cs.LG
LLMs as Policy-Agnostic Teammates: A Case Study in Human Proxy Design for Heterogeneous Agent Teams
School of Computer Science, University of Birmingham(伯明翰大学计算机科学学院)
本研究提出用LLMs作为策略无关的人类代理生成合成数据,以解决异构智能体团队训练中人类数据昂贵的问题,实验表明LLMs输出与专家决策对齐且能模拟人类风险行为变异性,为策略无关队友模拟提供可扩展基础。
2025-10-07 cs.AI cs.HC cs.LG
Policy-as-logic for robust reasoning over rules
IBM Research(IBM研究院);IBM(国际商业机器公司)
该研究提出混合符号方法,将策略表示为形式逻辑,结合语言模型事实提取与答案集求解器推理,性能优于策略作为提示、策略作为代码方法,令牌用量减少约10倍,助力生成式AI系统做出鲁棒决策。
2026-08-13 cs.AI cs.LG cs.SC