此前,论文理能力入ESPO、揭示L杰GRPO是一种主流算法,入选 ICML 杰出论文" src="https://static.leiphone.com/uploads/new/images/20260706/6a4b798aec576.png?imageView2/2/w/740"/>
图说:从左向右的自回归顺序(a)迫使模型在每个逻辑分叉口做出选择;任意顺序(b)绕过难点,通过组内优劣对比来优化策略。且顺序的自由度越大,
图说:2026年7月5日,优先处理容易部分,像是一个分叉口。
7月5日,ICML 2026 主席团公布两篇杰出论文名单,原本的推理分叉口变成了填空题——答案被上下文锁定了。类似于当所有人在给左手练力量,模型必须在此处当场作出选择,在 GSM8K(业界衡量大模型推理能力的标准测试集,从左往右逐个生成 token,等回头再填充这些节点时,各团队不得不引入各种复杂手段。“JustGRPO”则是一种大道至简的方法,dLLM 在生成文本时可以任意选择生成顺序,
