EEPO 用「采样后遗忘」干预破解 RLVR 训练中的多样性坍缩

Burkov 介绍了一篇针对 RLVR 训练多样性坍缩问题的文章及 EEPO（Exploration-Enhanced Policy Optimization）方法。EEPO 采用自适应的“sample-then-forget” rollout 干预，打破模型反复强化少数高概率解法、陷入局部最优的循环，旨在提升探索效果并改善分布外推理泛化能力。