**ZPPO：将教师指导融入提示而非策略梯度**

_Zone of Proximal Policy Optimization: Teacher in Prompts, Not Gradients_

> 受维果茨基最近发展区启发，ZPPO不依赖教师梯度，而是通过构建二元和否定候选问题提示让教师指导停留在提示中；结合提示重放缓冲区，在困难问题上提升小模型泛化能力，尤其在小规模视觉语言模型上表现突出。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-17 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.18216)