标签
本文提出Golden-GRPO Injection (GRIN)，一种用于大语言模型持续知识注入的混合策略强化学习框架，克服了监督微调的局限性。实验表明，在知识吸收基准上表现卓越。
提出近未来策略优化（NPO），一种混合策略强化学习方法，通过在同一训练运行中利用更晚的 checkpoint 学习，加速收敛，将 Qwen3-VL-8B-Instruct 性能从 57.88 提升至 62.84。