RGPO：基于自适应依据脚手架引导大模型推理的策略优化框架

研究人员提出理由引导策略优化（RGPO）框架，通过自适应利用真实依据作为临时脚手架，缓解大语言模型在同策略强化学习中的奖励稀疏问题。RGPO 依据模型当前能力动态辅助生成，并将更高奖励的解回传至无引导环境，无需辅助数据与强化学习任务格式严格一致。在纯文本与视觉语言推理任务中，RGPO 均持续优于 RLVR 基线。