11 月 13 日消息，摩爾線程提出的新一代大語言模型對齊框架 —— URPO 統(tǒng)一獎勵與策略優(yōu)化，相關(guān)研究論文近日被人工智能領(lǐng)域的國際頂級學(xué)術(shù)會議 AAAI 2026 收錄，為簡化大模型訓(xùn)練流程、突破模型性能上限提供了全新的技術(shù)路徑。
▲ 圖源：摩爾線程官方公眾號 | URPO 統(tǒng)一獎勵與策略優(yōu)化框架
據(jù)介紹，在題為《URPO:A Unified Reward & Policy Optimization Framework for Large Language Models》的論文中，摩爾線程 AI 研究團隊提出了 URPO 統(tǒng)一獎勵與策略優(yōu)化框架，將“指令遵循”（選手）和“獎勵評判”（裁判）兩大角色融合于單一模型中，并在統(tǒng)一訓(xùn)練階段實現(xiàn)同步優(yōu)化。URPO 從以下三方面攻克技術(shù)挑戰(zhàn)：
數(shù)據(jù)格式統(tǒng)一：將異構(gòu)的偏好數(shù)據(jù)、可驗證推理數(shù)據(jù)和開放式指令數(shù)據(jù)，統(tǒng)一重構(gòu)為適用于 GRPO 訓(xùn)練的信號格式。
自我獎勵循環(huán)：針對開放式指令，模型生成多個候選回答后，自主調(diào)用其“裁判”角色進行評分，并將結(jié)果作為 GRPO 訓(xùn)練的獎勵信號，形成一個高效的自我改進循環(huán)。
協(xié)同進化機制：通過在同一批次中混合處理三類數(shù)據(jù)，模型的生成能力與評判能力得以協(xié)同進化。生成能力提升帶動評判更精準(zhǔn)，而精準(zhǔn)評判進一步引導(dǎo)生成質(zhì)量躍升，從而突破靜態(tài)獎勵模型的性能瓶頸。
實驗結(jié)果顯示，基于 Qwen2.5-7B 模型，URPO 框架超越依賴獨立獎勵模型的傳統(tǒng)基線：在 AlpacaEval 指令跟隨榜單上，得分從 42.24 提升至 44.84；在綜合推理能力測試中，平均分從 32.66 提升至 35.66。作為訓(xùn)練的“副產(chǎn)品”，該模型內(nèi)部自然涌現(xiàn)出的評判能力在 RewardBench 獎勵模型評測中取得 85.15 的高分，表現(xiàn)優(yōu)于其替代的專用獎勵模型（83.55 分）。
從摩爾線程官方獲悉，目前，URPO 已在摩爾線程自研計算卡上實現(xiàn)穩(wěn)定高效運行。同時，摩爾線程已完成 VERL 等主流強化學(xué)習(xí)框架的深度適配
