SGPO策略引导策略优化方法提出

2026年10月15日，arXiv Artificial Intelligence 刊出由 Tianyuan Shi 等作者提出的策略引导策略优化（Strategy-Guided Policy Optimization，SGPO）方法。该工作针对轨迹级模仿只教模型“答什么”而非“怎么推理”的问题，主张以可复用的策略蒸馏替代实例级轨迹模仿：从强模型回答中提取结构化策略描述，并为每道题同时构建自主轨迹与策略引导轨迹进行对比。作者在文中称，SGPO“用可复用的策略蒸馏替代实例级轨迹模仿”。目前报道仅涉及方法提出本身，未提及实验规模、评测结果或适用模型范围等后续进展。

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。