KLPO 发布宣称解决 Q*，自封终章遭群嘲

Yifan Zhang 等人发布论文与开源仓库 KLPO（KL-Regularized Policy Optimization），提出一种无 critic、单 rollout 的异步 off-policy Agentic RL 方法，并宣称在 7x7 与 9x9 围棋上「解决」了 Q，称之为「RL scaling 前沿」的开端。论文中自封「Q 已解决、RL 科学终章」的高调表述遭到网友群嘲，有人以 Pangram 玩梗回应称并无实际结果。

2026-09-21 ~ 2026-09-22 · 4 条相关

• 作者以「Q* 已破解」自嘲式发帖,推出免 Critic 智能体 RL 方法 KLPO — inductionheads · 2026-09-21
• RL 论文自封「Q* 已解决、RL 科学终章」,遭网友群嘲 Pangram 玩梗无结果 — SonglinYang4 · 2026-09-21
• Q* 号称在围棋 7x7 与 9x9 上被「解决」,RL scaling 迎来新打法 — inductionheads · 2026-09-21
• KLPO 发布：无 Critic、单 rollout 的 off-policy Agentic RL 方法 — lpachter · 2026-09-22