研究提出LGPO：去重要性比值的LLM强化学习方法

Shuibai Zhang、Junhyuck Kim 等研究者在 NeurIPS 2026 发表论文，提出 Likelihood-Gated Policy Optimization（LGPO），通过基于 likelihood 的门控实现软信任域约束，从而免去计算旧策略似然（即重要性比值）的步骤。 据论文称，与需要重算旧策略似然的标准实现相比，LGPO 在保持相当的训练稳定性和峰值性能的同时，平均缩短约 18% 训练时间；在完全 on-policy 训练中，GRPO 失效的场景下 LGPO 仍保持稳定。

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。