标签
本文提出SPOKE——一种基于KL锚定均衡的策略偏好优化方法，用于训练基于紧凑型LLM的智能体（SmallThinker-4B）在隐藏信息环境下进行更具策略性的扑克博弈。在Kuhn扑克和Leduc扑克实验中，该方法的可利用性低于SFT、DPO、GRPO和GSPO。