TextualRL：无梯度强化学习框架管理上下文

Tianyu Huai 等作者发布论文，提出无需梯度的强化学习框架 TextualRL，把同一任务、同一上下文下的一组 rollout（而非单条轨迹）作为策略评判单元，通过 Groupwise Policy Critique 与 Cross-Group Policy Update 将执行奖励转化为可复用的上下文更新。 论文称，在六个基准、五个目标模型上，该框架使 GPT-5.5 测试准确率平均提升 24.4 个百分点，Qwen3.8-27B 提升 15.3 个百分点。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。