DEPO：难度估计优化推理对齐训练

2026年10月28日，arXiv Artificial Intelligence 刊出 Yu Zhao 等作者的论文，提出 Difficulty-Estimated Policy Optimization（DEPO）框架，目标是优化推理对齐训练的效率和稳健性。报道称，该研究针对 GRPO 在过易或过难问题上梯度信号衰减的问题：在 rollout 之前，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。目前公开信息仅来自这一篇主报道，尚无跟进报道披露实验规模、对比基线或具体效果数据，也未出现与早先说法矛盾的数字或时间表述。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。