团队提出NAPO改进RLVR难提示学习

研究团队提出 NAPO（Negative-Augmented Policy Optimization），一种与 GRPO 结合的方法，用于改进 RLVR 中难提示的学习。论文称，在固定 rollout 预算下，该方法将 AIME24 的 Pass@256 提升 10.0 分、AIME2025 提升 6.6 分。 该研究把 RLVR 中的“从零到一”跃迁作为诊断对象：标准 group-relative 更新在整组样本全部未解时无法提供有效梯度。NAPO 借助早期分支驱动信号，对未解组中的负样本排序并分配分级优势，从而在这些位置注入有信息量的梯度。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。