清华与腾讯混元发布 LPO：补齐 DeepSeek-R1 后推理模型的多样性短板
Pass@k 15/15 组全胜！清华&腾讯发布 LPO，补齐 DeepSeek-R1 推理多样性的「短板」 | GAIR Paper 122
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
清华大学自动化系与腾讯混元提出 Listwise Policy Optimization（LPO），把 group-based RLVR 显式建模为 LLM Response Simplex 上的目标投影，并拆分为目标分布与投影方式两步。
来源：AI科技评论 · 微信公众号 · mp.weixin.qq.com