新研究提出CPO以优化RLVR正确性感知

针对强化学习中常用的熵指标，最新研究指出其无法区分“有用的探索”与“有害的混乱”，并非理想的正确性信号。为此，研究人员提出基于对比策略优化（CPO）的优势重塑方法。该方法旨在更精准地感知正确性，从而突破传统基于熵的强化学习在有效性上的局限，提升模型的整体表现。

2026-07-20 ~ 2026-07-20 · 2 条相关

• CPO：基于对比策略优化的感知正确性优势重塑 — Weiwen Xu · 2026-07-20
• 超越熵的正确性感知RLVR — tencent · 2026-07-20