MinPRO：通过前缀重要性比率稳定离策略 LLM 优化

论文提出 MinPRO 目标函数以稳定离策略 LLM 强化学习后的训练。 MinPRO 利用最小 token 级比率替代不稳定的累积前缀比率，在 dense 和 MoE 模型的多项数学推理 benchmark 上显著提升了训练稳定性与峰值性能，已被 NeurIPS 2026 接收。