港大 NeurIPS 2026 论文揭示 GRPO 双重枷锁,模型越训越不敢探索新思路

香港大学团队在 NeurIPS 2026 上发表论文,指出现在大模型推理训练主流算法 GRPO 自带隐式优势对称性,形成双重枷锁,这就是很多模型