MaxRL通过一行改动实现最大似然强化学习，测试时扩展效率较GRPO最高提升20倍

ICML 2026 oral论文《Maximum Likelihood Reinforcement Learning》提出MaxRL，将最大似然梯度表示为pass@k目标的加权组合，并可通过按成功轨迹数而非总采样数归一化成功轨迹梯度实现。