用组相对演员—评论家自举，改进单轨迹异步强化学习的稳定性。
推荐理由：方案针对长尾轨迹导致GRPO难以异步化的问题，并试图摆脱SAO对闭源价值模型的依赖；关键意义是让智能体后训练更高吞吐且更可复现。
阅读原文