本文研究的PPO和GRPO基线使用剪裁的替代物镜，其有利方向饱和引入了标量物镜导数的突然变化。我们询问输出重置（ OR ） ，一个平滑的单侧饱和规则，是否为大型语言模型训练后提供了一种有用的替代方案。PPO-OR和GRPO-OR将削减的保单条款替换为RO中的OR平方毛利损失

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.18163v1)获取最准确的信息。

---
🔗 **原文链接**: [OR Else: A Differentiable Trust Region for Policy Optimizati](https://arxiv.org/abs/2607.18163v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Chinmay Rane, Kanishka Tyagi, Michael Manry

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-21 14:02