Search for a command to run...
HiPO（Hybrid Policy Optimization）是由快手联合南京大学的研究团队于 2025 年 9 月提出的，相关研究成果发表于论文「HiPO: Hybrid Policy Optimization for Dynamic Reasoning in LLMs」。
HiPO 是一个用于自适应推理控制的框架，使 LLMs 能够选择性地决定何时进行详细推理（Think-on）以及何时直接响应（Think-off）。具体而言，HiPO 结合了一个混合数据管道，提供配对的 Think-on 和 Think-off 响应，以及一个混合强化学习奖励系统，该系统在平衡准确性和效率的同时避免过度依赖详细推理。在数学和编程基准测试中的实验表明，HiPO 可以显著减少令牌长度，同时保持或提高准确性。
Search for a command to run...
HiPO（Hybrid Policy Optimization）是由快手联合南京大学的研究团队于 2025 年 9 月提出的，相关研究成果发表于论文「HiPO: Hybrid Policy Optimization for Dynamic Reasoning in LLMs」。
HiPO 是一个用于自适应推理控制的框架，使 LLMs 能够选择性地决定何时进行详细推理（Think-on）以及何时直接响应（Think-off）。具体而言，HiPO 结合了一个混合数据管道，提供配对的 Think-on 和 Think-off 响应，以及一个混合强化学习奖励系统，该系统在平衡准确性和效率的同时避免过度依赖详细推理。在数学和编程基准测试中的实验表明，HiPO 可以显著减少令牌长度，同时保持或提高准确性。
基于 GRPO 等微调技术现有局限性，GVPO 作为一种可靠、多功能的后训练范式应运而生。
AEPO 专注于在高熵工具调用指导下平衡和合理化策略扩展分支和策略更新。
MultiPL-MoE 是后预训练阶段扩展低源编程语言的一种有效方法。
一种新的基于原则的判别约束优化框架，避免了难度偏差和训练不稳定性。
CudaForge 是一个简单有效且低成本的用于 CUDA 内核生成和优化的多智能体工作流程。
DexFlyWheel 是一个用于灵巧操作的、可扩展且自我改进的数据生成范式。
EGMN 成功捕捉了用户偏好和视频特征之间的潜在交互效应。
C2C 通过转换和融合模型间的键值（KV）缓存，实现直接的语义交流。
通义千问团队系统地研究了门控机制在标准 softmax 注意力中的作用。
基于 GRPO 等微调技术现有局限性，GVPO 作为一种可靠、多功能的后训练范式应运而生。
AEPO 专注于在高熵工具调用指导下平衡和合理化策略扩展分支和策略更新。
MultiPL-MoE 是后预训练阶段扩展低源编程语言的一种有效方法。
一种新的基于原则的判别约束优化框架，避免了难度偏差和训练不稳定性。
CudaForge 是一个简单有效且低成本的用于 CUDA 内核生成和优化的多智能体工作流程。
DexFlyWheel 是一个用于灵巧操作的、可扩展且自我改进的数据生成范式。
EGMN 成功捕捉了用户偏好和视频特征之间的潜在交互效应。
C2C 通过转换和融合模型间的键值（KV）缓存，实现直接的语义交流。
通义千问团队系统地研究了门控机制在标准 softmax 注意力中的作用。
