研究者提出FSPO策略优化框架

研究者 Aryan Das 等人提出 Function-Space Policy Optimization（FSPO），一种单策略强化学习框架。它通过存储稀疏的历史 next-token 分布作为固定时序目标，避免维护持续演进的教师模型。 据该研究，在推理与工具使用基准上，FSPO 在 5 小时训练预算下取得最高平均准确率，较最强基线平均提升约 4 个百分点，并将 Olmo3-7B-Instruct 的峰值内存从约 70 GB 降至 56 GB。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。