DEEPO分别处理困难样本优势归零和高置信错误词元缺乏梯度的问题。
推荐理由：论文定位了强化学习纠错链的两个失效点：困难问题全组答错导致优势为零，高置信错误又难获梯度；双熵机制因此直接作用于幻觉训练盲区。
阅读原文