PAPO
一种引入外部引导信号的大语言模型强化学习训练方法，属于引导增强型策略优化方法系列
时间轴 (近 90 天)
PAPO（Pattern-Aware Policy Optimization）是在 Group Relative Policy Optimization（GRPO）基础上改造的多任务强化学习方法，用于 RTL-Interact 的强化学习阶段。
PAPO 加入正确性门控奖励：只有检查成功且过程简洁才获得奖励，有效修订也会被正向激励，从而防止模型通过堆砌大量工具调用碰运气。
PAPO 采用任务分组来保持各目标的覆盖度，避免模型在强化学习中偏向某一类任务而荒废其他能力。
PAPO 能够在提升 Pass@1 的同时，将平均工具调用次数减少 63.8%。
GA-GRPO将外部引导抽象为随机引导算子G，通过选择不同的G，vanilla GRPO、LUFFY、ExPO、PAPO、TAPO都成为该框架的特例
LUFFY、ExPO、PAPO、TAPO等方法通过引入外部引导（专家轨迹、自我解释或检索到的思维模式）来提升大模型推理
全部知识事实 (6)
PAPO（Pattern-Aware Policy Optimization）是在 Group Relative Policy Optimization（GRPO）基础上改造的多任务强化学习方法，用于 RTL-Interact 的强化学习阶段。
50%待验证PAPO 加入正确性门控奖励：只有检查成功且过程简洁才获得奖励，有效修订也会被正向激励，从而防止模型通过堆砌大量工具调用碰运气。
50%待验证PAPO 采用任务分组来保持各目标的覆盖度，避免模型在强化学习中偏向某一类任务而荒废其他能力。
50%待验证PAPO 能够在提升 Pass@1 的同时，将平均工具调用次数减少 63.8%。
50%待验证GA-GRPO将外部引导抽象为随机引导算子G，通过选择不同的G，vanilla GRPO、LUFFY、ExPO、PAPO、TAPO都成为该框架的特例
50%待验证LUFFY、ExPO、PAPO、TAPO等方法通过引入外部引导（专家轨迹、自我解释或检索到的思维模式）来提升大模型推理
50%