QLPO 是一种基于 GRPO 的重采样方法：先过量生成候选回答，再保持训练组中正确与错误样本的经验比例，同时偏向短且正确、长且错误的回答。论文称，该方法无需修改奖励函数或增加控制模块，在 1.5B 至 32B 模型上将回答长度缩短 30% 至 70%，并维持推理表现。
最近 24 小时暂无可用热度快照。