RPO：仅训根token实现自适应推理

2026年10月15日，arXiv Artificial Intelligence 报道，Taehyeon Kim 等作者提出 RPO（Root-token Policy Optimization）框架。该框架通过组相对奖励与组内优势，只训练初始根 token（例如是否调用 <think> 标签），让大推理模型自行判断何时推理。报道称，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。上述算力比例与效果均出自该报道，尚无其他跟进报道可对照。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。