Contrastive Reinforced Policy Optimization via Privileged Self-Distillation

复现级别：核心目标 candidate-policy mini-suite。 本地真实执行该论文独有的 advantage、蒸馏或约束更新；不是论文大模型训练的数值复刻。

论文信息

字段	内容
论文链接	arXiv 2607.28026
公司 / 机构	Authors did not disclose affiliation
第一作者	Xingjian Wu
首次公开日期	2026-07-30（arXiv v1）
原作者代码	未发现原作者公开代码（截至 2026-08-24）
本地 adapter / 方法	crpo
本地复现代码	src/auto_research/post_training/historical_b08_b09.py

原始论文总结

背景与主要改动

按预测熵区分反思探索正位置和 exposure-bias 负位置，对 privileged self-distillation 做组内对比。

flowchart LR
  P[同一 candidate policy] --> R[on-policy rollout]
  R --> M[crpo 核心目标]
  T[奖励 / 教师 / rubric] --> M
  M --> U[参数更新]
  U --> R

原论文关键图

原论文 Figure 3（关键图）：展示原论文的整体流程、关键阶段及其数据流向。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ \mathcal L_{CRPO}=-\log\frac{e^{s^+/\tau}}{e^{s^+/\tau}+\sum_j e^{s_j^-/\tau}} \]

论文离线与线上效果

13 个 reasoning/deep-search benchmark 上持续优于 RL 与自蒸馏基线。 以上为原论文报告值；论文没有工业线上 A/B 时不作线上效果推断。

本地复现

同一 arithmetic-smoke candidate policy 运行 120 次更新：训练前 accuracy 0.1953，训练后 0.6484，变化 +0.4531。这是训练前后 smoke 结果，不表示相对其他 RL/OPD 算法的公平优势。单篇原始指标见 metrics/arithmetic-smoke-seed42.json，批次索引见 ../../experiments/historical-b07-b11-seed42.json。

auto-research post-train --algorithm crpo --dataset arithmetic-smoke --steps 120 --seed 42 --no-network

复现边界

本地策略是可审计 candidate-policy，复现论文的核心 objective 和诊断量；未下载论文大模型 checkpoint，未声称复刻其完整数据、算力、多 seed 或 benchmark。运行产物默认写入 runs/post-training/，仓库只提交指标，不提交 checkpoint。另见 ../../experiments/。