RGPO：用自适应理由脚手架让大模型学会推理

研究者提出 Rationale-Guided Policy Optimization（RGPO），按模型当前能力自适应利用标准答案中的理由信息，将其作为临时脚手架，仅把更高奖励的模型自生成解回传到原始无引导设置。在纯语言与视觉语言推理任务上，RGPO 均持续优于 RLVR 基线，消融实验显示自适应理由引导是性能提升的关键。该工作已被 NeurIPS 2026 接收。