ACPO：通过模态局部熵代理实现非对称信用策略优化

论文提出ACPO，用“1减去最高概率”这一模态局部代理替代全局熵，为结果监督强化学习进行令牌级信用分配。方法加入错配路由与饱和修正：在正优势轨迹上强调不确定决策，在失败轨迹上惩罚过度自信区域。摘要称其在AIME 2025和HumanEval Pro等数学、代码推理基准上优于80/20、GTPO、DAPO和SAPO。