研究者提出SEPO框架实现推理能力自我进化

Wenhang Shi等作者提出Self-Evolution Policy Optimization（SEPO）框架，通过标签引导策略采样出正确推理，再将当前策略作为自教师把新解法蒸馏回模型，形成策略内在的探索与利用循环。 在科学、工具使用和复杂逻辑推理任务上，相同训练时间或步数下SEPO均取得最佳表现；在基线严重失效的复杂任务和小规模模型上，SEPO仍保持稳定提升。代码已开源。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。