DEPO：用难度估计优化推理模型训练的策略优化框架

针对 GRPO 在过易或过难问题上梯度信号衰减的问题，研究者提出 Difficulty-Estimated Policy Optimization（DEPO），在 rollout 前用在线 Difficulty Estimator 动态评估并过滤训练数据，把算力优先分配给高学习潜力样本。