PIRL/PIPO让RL后训练回头验证
机器之心 · wechat · 2026-07-12
北航、北大和美团团队提出了 PolicyImprovementReinforcementLearning（PIRL），并给出可落地的 PIPO 框架，试图解决 RL 后训练里一个被长期忽略的问题：
- 传统方法主要回答“当前这批轨迹该怎么学”，但不显式验证这次更新之后，策略是否真的变强。
- PIRL 把“策略提升”本身作为优化目标；PIPO 则在现有 PPO、GRPO、DAPO、自蒸馏等方法外层加入回溯验证机制，对确实带来提升的更新方向进一步放大，对无效或有害更新抑制、抵消或校正。
论文还给出理论说明：对于固定初始策略，最大化累计策略提升与最大化最终策略性能是对齐的。实验覆盖数学推理、代码、工具调用和自蒸馏任务，结果显示接入 PIPO 后，多种基础算法上的平均表现和思考长度都有提升。
「研究」频道最新
- EMNLP 2026 两篇论文：小模型实体追踪超人类、类人短暂记忆研究 — GretaTuckute · 2026-10-27
- 历时十年研究：秘鲁 Tarma 克丘亚语的「反自然」音系限制首获实证 — begusgasper · 2026-10-27
- Clinical System One v0.2:更难测试下顶级医疗 AI 准确率跌至 65% — MaziyarPanahi · 2026-10-27
- IdeaAnchor:用 1.4 万篇论文的灵感溯源教 LLM 基于文献提想法 — armancohan · 2026-10-26
- MIT Ziming Liu 批评 AutoResearch：不懂原理的训练技巧会引发 forking 过拟合灾难 — ZimingLiu11 · 2026-10-26
- 斯坦福数据中心化 AI 研讨会开放报名，海报截止延期 — jure · 2026-10-26