# 跨行为策略优化

离线示范、当前策略采样和历史轨迹现在可以共用一个回归目标训练，在四个数学推理基准上，Qwen3-1.7B的统一配置把平均avg@32和pass@32比两阶段SFT加DAPO分别提高2.33和4.44个百分点。

离线示范、当前策略采样和历史轨迹现在可以共用一个回归目标训练，在四个数学推理基准上，Qwen3-1.7B的统一配置把平均avg@32和pass@32比两阶段SFT加DAPO分别提高2.33和4.44个百分点。