Meta AI 与哥伦比亚大学提出 OC-GRPO，应对 GRPO 零奖励学习悬崖

Meta AI 与哥伦比亚大学研究人员发布预印本论文 Off-Context GRPO（OC-GRPO），解决 RLVR 训练中模型无法在困难问题上生成正确解时的 GRPO 零奖励“学习悬崖”。该方案引入特权信息引导，使模型在难题上也能获得学习信号，改善 GRPO 训练效果。