BPCO：一种稳定的 Critic 优化方法，单响应采样即可媲美 GRPO

研究提出 Best Practice Critic Optimization（BPCO），通过结合 DPPO、限制在奖励范围内的价值预测、蒙特卡洛价值目标、未归一化策略优势和长度自适应广义优势估计，解决 critic 训练不稳定的问题。