PPO

研究者提出PPO-HSC框架，通过高阶采样覆盖奖励机制，解决大语言模型微调中的模式坍塌问题，在保持性能的同时显著提升解决方案多样性。

研究者提出BV-Blend框架，通过加权融合即时奖励统计与历史集群奖励信息，显著提升了无评论家强化学习在可验证奖励任务中的训练稳定性与性能。