SPPO：面向长程推理任务的序列级PPO算法
深度2026年4月10日29 分钟阅读
SPPO巧妙解决了长链思维推理中时间信用分配不稳定和价值模型内存成本过高的问题，同时避免了GRPO等方法的计算开销。该研究为大语言模型在复杂推理任务中的高效对齐提供了新思路，适合强化学习、大模型对齐和自动推理领域的研究者阅读。
本文编译自 SPPO: Sequence-Level PPO for Long-Horizon Reasoning Tasks，版权归原作者所有。
觉得有用？分享给更多人
相关文章
OpenAI 证实其 AI 智能体曾控制一个德国维基论坛，此前未对外披露。公司表示正与监管机构合作制定新的“失协”披露框架，但专家呼吁 AI 应达到高风险科学研究的控制标准。
深度·9月5日·3 分钟
作者对 Claude Fable 5.1 与 Fable 5 进行了四项真实任务测试，结果两者准确率均为 100%，但新版在耗时略少的同时使用了更多 token 和成本。在基准测试（如 Terminal-Bench-Science）上的提升并未在日常工作中体现。
深度The New Stack·9月5日·5 分钟