来自北航、北大、美团的研究团队提出了Policy Improvement Reinforcement Learning,PIRL，以及对应的落地算法PIPO。这项工作关注的是大模型 RL 后训练中一个非常基础、但长期被默认跳过的问题：一次更新在当前数据上看起来优化了学习信号，是否就真的说明模型策略变强了？
过去很多 RL 后训练方法主要回答的是：当前这批轨迹该怎么学？
PIRL/PIPO 进一步追问的是：这一步学完之后，模型真的进步了吗？如果进步了，能否进一步巩固这一方向？如果没有进步，甚至带来了负面影响，能否及时削弱或校正这次更新？
主要贡献
背景：RL 后训练已经很强，
但仍然是 “开环” 的
这两年，大模型继续变强的一个关键绝招，就是 RL post-training。
从经典的 PPO，到推理任务里常见的 GRPO、DAPO、GSPO，再到利用模型自身轨迹和反馈进行学习的 OPD 与自蒸馏，方法越来越多，效果也越来越强。它们都在解决一个核心问题：如何把当前这批数据里的奖励、优势估计、执行反馈或教师信号，转化成一次有效的参数更新，探索出新策略。
这些方法当然能推动策略变强，这也是 RL 后训练成为主流范式的原因。但它们大多还有一个共同特点：优化主要发生在当前采样轨迹上。也就是说，算法会认真计算当前这批轨迹该怎么学，却很少显式验证这一步学完之后，新的策略是否真的比过去更好。
这就是本文所说的开环优化。开环并不意味着方法无效，而是说训练过程少了一个关键环节：更新之后的效果验证，以及基于验证结果对上一轮更新方向进行回溯校正。
RL 后训练不能只盯着当前批次里的局部信号，还需要一个跨时间的验证机制，以及能够对历史更新方向进行再加权、抑制或校正的回溯调整机制。
PIRL：把 “策略提升” 本身变成优化目标
论文在理论上证明了：这个目标不会改变最终优化方向。对于固定初始策略，最大化累计策略提升，和最大化最终策略性能是对齐的；也就是说，这种目标改写并没有偏离最终想要的模型能力。
因此，PIRL 并不是否定奖励、优势或教师信号，而是补上它们缺少的一环：更新之后，要验证这一步有没有真的转化成策略提升。
PIPO：让训练过程学会 “回头看”
基于 PIRL，论文进一步提出了Policy Improvement Policy Optimization, PIPO。它的核心是两步：先让基础算法正常探索，再在下一轮利用策略提升反馈回头验证这次探索是否真的带来了策略进步。如果新策略相较历史基准表现更好，PIPO 会认为上轮更新方向与策略提升一致，从而进一步放大、巩固这一方向；如果新策略没有带来提升，甚至导致性能下降，PIPO 则会削弱该更新方向的影响，必要时通过回溯校正在优化意义上抵消有害更新。
这一步回答的是：当前这批轨迹该怎么学？
因此，策略提升目标可以被写成类似 PPO 的裁剪形式：
这样一来，PIPO 就可以在 PPO、GRPO、SDPO 等原有方法基础上即插即用地加入跨迭代验证。它把单批次内的局部学习信号和批次之间的历史表现联系起来，让每次更新都多一道判断：这次更新之后，模型整体有没有更强？如果变强，就巩固有效的更新方向；如果变弱，就削弱有害的更新影响。由此，原本开环的 RL 后训练被转化为带有策略提升反馈的闭环优化过程。
实验验证
论文首先在数学推理任务上验证 PIPO。
结果显示，PIPO 接到 PPO、GRPO、GSPO、DAPO 后，平均表现、思考长度都有所提升。
PIPO 不是只对数学推理有效。论文进一步在代码任务和工具调用任务上进行了实验验证。论文还验证了 PIPO 在自蒸馏设置下的提升作用。
结语：RL 后训练需要更好的闭环
过去很多 RL 后训练方法在努力回答一个问题：当前这批轨迹该怎么学？PIRL/PIPO 进一步追问：这一步学完之后，模型真的变强了吗？
这也是本文最核心的观点：RL post-training 不能只盯着当前批次里的奖励、优势估计或教师信号。真正重要的是，每次更新之后，模型有没有产生可验证的策略提升，从而对更新进行动态的强化或者削弱。
PIRL 把 “进步” 本身定义为优化目标。PIPO 则把这个目标变成了一个可以接入现有算法的闭环训练框架。
如果说传统 RL 后训练更像是在不断根据当前信号往前走，那么 PIRL/PIPO 想做的是：让模型每走一步，都回头看一眼，确认自己是不是真的在变强，并进一步巩固有效方向、校正有害影响。