Jingdong (China)

GRPO把同一提示下的所有采样放在一个组均值基线上打分，但同一提示的采样往往走不同解题策略，各策略的奖励分布并不相同。这项工作把子组均值相对全局均值的偏离定义为子组偏移，用一个带符号系数沿偏移移动基线：取正号把信用拉向采样在自己子组内的位置，取负号把信用拉向子组整体质量。在Qwen3-8B-Base与Olmo3-7B-Base、四个竞赛级数学基准上，两个方向相对共享同一策略采样、只改基线的对照都取得小幅但一致的提升，且集中在pass@16，负号方向更强。

GRPO把同一提示下的所有采样放在一个组均值基线上打分，但同一提示的采样往往走不同解题策略，各策略的奖励分布并不相同。这项工作把子组均值相对全局均值的偏离定义为子组偏移，用一个带符号系数沿偏移移动基线：取正号把信用拉向采样在自己子组内的位置，取负号把信用拉向子组整体质量。在Qwen3-8B-Base与Olmo3-7B-Base、四个竞赛级数学基准上，两个方向相对共享同一策略采样、只改基线的对照都取得小幅但一致的提升，且集中在pass@16，负号方向更强。

医疗大模型在单次问答上表现不错，却难以把多次接触中积累的经验留存下来并加以治理。HealthJev把共享的安全规则与医学知识同私有的纵向记忆分开，并用自训练的轻量决策模型JevGate在经验入库前筛掉错误教训，单次判定中位耗时86毫秒。在由20名MIMIC-IV真实患者轨迹构建、每人90天模拟日常交互的纵向基准上，它的平均评审分为0.668，高于MemoryBank的0.634、Mem0的0.593、ReAct的0.510和Memp的0.502；六项生物医学任务相对基线的平均提升为13.3个百分点。

医疗大模型在单次问答上表现不错，却难以把多次接触中积累的经验留存下来并加以治理。HealthJev把共享的安全规则与医学知识同私有的纵向记忆分开，并用自训练的轻量决策模型JevGate在经验入库前筛掉错误教训，单次判定中位耗时86毫秒。在由20名MIMIC-IV真实患者轨迹构建、每人90天模拟日常交互的纵向基准上，它的平均评审分为0.668，高于MemoryBank的0.634、Mem0的0.593、ReAct的0.510和Memp的0.502；六项生物医学任务相对基线的平均提升为13.3个百分点。