RPO：仅训练根 token 让大推理模型自适应思考，训练算力降至约 2%

RPO（Root-token Policy Optimization）通过组相对奖励和组内优势只训练初始根 token（如是否调用思考标签），让大推理模型自行判断何时推理。在多个模型族和规模上，RPO 以约 2% 的训练算力实现难度感知的自适应思考，并大幅降低训练开销与显存占用。该工作被 ACL 2026 接收为 Oral。