DMPO

DMPO 是一个面向多样化推理的分布匹配强化学习算法实现，旨在缓解大模型在策略优化中因反向KL散度导致的模式坍塌问题。其核心通过组级别前向KL近似，提升策略多样性，在NP难组合优化、数学推理等任务上实现9-12%相对性能提升；配套发布NP-MM-Bench视觉语言基准（含10个NP难任务双指标评估）及开源数据集。适用于需要高多样性解生成的推理型RL场景，如组合优化求解、多解路径规划与鲁棒数学推理训练。