2026年4月8日，阿里通义实验室智能计算团队正式发布大模型后训练领域新型算法FIPO，依托独创的Future-KL机制破解纯强化学习普遍存在的长文本推理“长度停滞”瓶颈，32B规模模型在纯强化学习设定下性能超越DeepSeek-Zero-MATH及OpenAI o1-mini，标志国产大模型在逻辑推理与数学计算领域取得实质性进展。
过去两年，全球大模型的竞赛重心已经悄然转移：从比拼预训练参数规模，转向推理端的性能跃升，尤其是逻辑推理、数学计算等硬能力的比拼，直接决定了大模型在工业、科研等高价值场景的落地上限。而强化学习作为提升模型推理能力的核心技术路径，长期受困于纯RL训练模式下的固有缺陷。
此前，行业普遍采用纯强化学习方案对大模型进行后训练，以此提升思维链生成质量、优化复杂任务的对齐效果，但该模式始终存在“推理长度停滞”的技术痛点：模型为了获取短期奖励，往往会主动缩短推理步骤，无法支撑长序列逻辑推导，在数学解题、多轮逻辑论证等场景的表现始终难达预期。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号