厦大与南洋理工推出 SAPO：无需独立 Critic 的 Agentic RL 框架

厦门大学与南洋理工团队发布 SAPO（Single-Rollout Autoregressive Policy Optimization），利用同一个因果 LLM 的自回归结构联合估计价值并优化策略，无需单独的 LLM critic。该框架只需单条 rollout，在相同采样预算下性能与 PPO 持平并显著优于 GRPO，资源消耗大幅降低，论文与代码已开源。