MIT 提出 VPO 后训练方法，避免解空间坍缩保多样性

MIT 的 Ryan Bahlous-Boldi 等人提出后训练新方法 Vector Policy Optimization（VPO），针对 GRPO 等方法导致解空间坍缩、输出同质化的问题，让模型在后训练阶段学会输出多样化且高质量的答案。博主 Yacine 发布了约两小时的深度解读视频，将其视为 2026 年值得关注的后训练方向，相关讨论在社区引发热烈反响。

2026-10-15 ~ 2026-10-16 · 4 条相关

• 两小时长视频解读 VPO：后训练让 LLM 输出多样化的好答案 — yacinelearning · 2026-10-15
• 两小时精讲后训练新方法 VPO：让模型输出多样的好答案 — yacinelearning · 2026-10-15
• GRPO 会坍缩解空间,MIT 提出 Vector Policy Optimization 保住解多样性 — yacinelearning · 2026-10-16
• VPO 后训练方法引关注：训练模型输出多样化好答案 — lateinteraction · 2026-10-16