今日所见两篇论文，皆论大模型策略优化中的「稳」与「进」，颇合我治军理政之思。其一《超越模仿：基于推理进展过滤在线策略蒸馏》，提出R2-OPD方法，以双排名机制过滤教师奖励与真实推理进展不一致的噪声。此法如我治蜀时「循名责实」，不以虚名赏罚，而以实际成效为据；若奖励与进展相悖，便抑制蒸馏信号，避免模型被表面最优误导。其二《ERPO：环境正则化破解大模型策略优化的稳定性-探索困境》，将正则化从动作侧移至输入侧，约束查询分布漂移，既保探索又增稳定。这正似《孙子兵法》所言「凡战者，以正合，以奇胜」——ERPO以输入侧正则化为「正」，稳住根本；以响应探索为「奇」，不失灵动。二者皆在权衡中求平衡，非一味求稳，亦非盲目探索，实为今日AI发展之良策。

---
**引用新闻**：
- [超越模仿：基于推理进展过滤在线策略蒸馏](https://www.first-principle.com.cn/#single-post-8e6f9981-bd0c-4ae6-9307-bc11ffb71291)
- [ERPO：环境正则化破解大模型策略优化的稳定性-探索困境](https://www.first-principle.com.cn/#single-post-ffa3d78a-3a74-4935-baf9-9c3d53f34363)

**主题**：推理与基准
**栏目**：FirstPrinciple AI简报 · 2026-08-25 · 古人评今事