【导语】11 月 13 日消息，摩尔线程提出的新一代大语言模型对齐框架 URPO 统一奖励与策略优化，相关论文被 AAAI 2026 收录。该框架融合两大角色并同步优化，从三方面攻克技术难题，实验显示多项指标超越传统基线，且已在自研计算卡上稳定运行，还完成主流强化学习框架适配 。

　　11 月 13 日消息，摩尔线程提出的新一代大语言模型对齐框架 —— URPO 统一奖励与策略优化，相关研究论文近日被人工智能领域的国际顶级学术会议 AAAI 2026 收录，为简化大模型训练流程、突破模型性能上限提供了全新的技术路径。

　　据介绍，在题为《URPO:A Unified Reward & Policy Optimization Framework for Large Language Models》的论文中，摩尔线程 AI 研究团队提出了 URPO 统一奖励与策略优化框架，将“指令遵循”（选手）和“奖励评判”（裁判）两大角色融合于单一模型中，并在统一训练阶段实现同步优化。URPO 从以下三方面攻克技术挑战：

　　数据格式统一：将异构的偏好数据、可验证推理数据和开放式指令数据，统一重构为适用于 GRPO 训练的信号格式。

　　自我奖励循环：针对开放式指令，模型生成多个候选回答后，自主调用其“裁判”角色进行评分，并将结果作为 GRPO 训练的奖励信号，形成一个高效的自我改进循环。

　　协同进化机制：通过在同一批次中混合处理三类数据，模型的生成能力与评判能力得以协同进化。生成能力提升带动评判更精准，而精准评判进一步引导生成质量跃升，从而突破静态奖励模型的性能瓶颈。

　　实验结果显示，基于 Qwen2.5-7B 模型，URPO 框架超越依赖独立奖励模型的传统基线：在 AlpacaEval 指令跟随榜单上，得分从 42.24 提升至 44.84；在综合推理能力测试中，平均分从 32.66 提升至 35.66。作为训练的“副产品”，该模型内部自然涌现出的评判能力在 RewardBench 奖励模型评测中取得 85.15 的高分，表现优于其替代的专用奖励模型（83.55 分）。

　　从摩尔线程官方获悉，目前，URPO 已在摩尔线程自研计算卡上实现稳定高效运行。同时，摩尔线程已完成 VERL 等主流强化学习框架的深度适配。