arXiv 最新研究：AlphaGRPO 解锁 UMMs 自反射多模态生成能力

AlphaGRPO：自反射多模态生成的突破

2026 年 5 月 12 日，arXiv 发布 AlphaGRPO 论文。

技术亮点

• GRPO 应用于 UMMs：将群体相对策略优化扩展到统一多模态模型
• 自反射生成：模型可在生成过程中自我评估和调整
• 分解式可验证奖励：将复杂奖励分解为可验证的子奖励

同期重要论文

• KV-Fold：无需训练的长上下文推理 KV 缓存优化方案
• Reward Hacking 研究：揭示基于规则强化学习中的奖励黑客问题
• ToolCUA：GUI Agent 工具调用路径编排优化

来源： arXiv
链接： https://arxiv.org/abs/2605.12495