arXiv cs.LG· Jinghan Zhang, Fengran Mo, Tharindu Cyril Weerasooriya, Ruimin Dai, Xiaoyan Han, Yanjie Fu, Dakuo Wang, Kunpeng Liu·· 7 小时前AI 评分24
StaRPO：稳定性增强的强化策略优化框架
StaRPO: Stability-Augmented Reinforcement Policy Optimization
AI 导读
StaRPO 是一个将推理稳定性显式纳入优化目标的强化学习框架，通过自相关函数（ACF）衡量局部步间连贯性、路径效率（PE）衡量全局目标导向性，两项稳定性奖励与任务奖励结合提供过程感知反馈。在四个推理基准上，StaRPO 持续优于对比基线，同时提升最终答案准确率与逻辑稳定性，该工作已被 NeurIPS 2026 接收。
来源：arXiv cs.LG · arxiv.org