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
- VidMap 用 RoMa 粗匹配全帧、精细匹配仅限关键帧 — ducha_aiki · 2026-09-11
- Bug Hunt Bench 作者补充:榜单噪声幅度约 2-3 分 — PawelHuryn · 2026-09-11
- 台球计算模型登 PNAS:二维系统已存在不可判定性,可跑通用计算机 — eigensteve · 2026-09-11
- 新研究:从仿射变换与重力线索求解绝对位姿 — ducha_aiki · 2026-09-11
- LoMa 论文发布 REALLY HardPairs 数据集,入选 ECCV 2026 — ducha_aiki · 2026-09-11
- JHU 开设全栈机器人学习课:组装机械臂、采数训练部署一条龙 — _krishna_murthy · 2026-09-11