标签
ReSPO 提出一种重塑的序列策略优化方法，用平滑的双分支 α-散度核替代裁剪机制，解决 RLVR 中离策略学习的梯度饥饿问题，并在 Qwen3 密集与 MoE 模型上验证了更优的训练分数和基准性能。