PICO：策略兼容联合解码解决 RLVR 零优势问题

2026年10月27日，arXiv cs.AI / cs.LG 发布消息介绍 PICO（Policy-Compatible Reinforcement Learning）。该工作针对 RLVR（可验证奖励强化学习）中的零优势问题：当一次采样中的全部 rollout 都失败时，训练无法得到有效的奖励信号。PICO 提出一种受分布约束的联合解码方法，使模型在所有 rollout 均失败的情况下，仍能生成可验证、且与当前策略相兼容的轨迹。目前该工作处于论文发布阶段，尚无后续的实验复现、基准对比或社区反馈报道。

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。