4月7日，阿里通義實(shí)驗(yàn)室智能計(jì)算團(tuán)隊(duì)宣布推出新算法FIPO（Future-KL Influenced Policy Optimization），引入Future-KL機(jī)制，獎(jiǎng)勵(lì)關(guān)鍵Token，解決純強(qiáng)化學(xué)習(xí)（Pure RL）訓(xùn)練中“推理長(zhǎng)度停滯”難題。據(jù)該團(tuán)隊(duì)介紹，在32B規(guī)模的純RL設(shè)定下，率先實(shí)現(xiàn)對(duì)o1-mini與同規(guī)模DeepSeek-Zero-MATH的性能反超。