AI最前沿 88Z.ai 4 月 28 日消息，阿里通义实验室发布强化学习框架EAPO，通过证据奖励机制优化长文本推理，解决模型幻觉问题。基于Qwen3-30B的测试显示，其性能超越参数量更大的GPT-OSS和Claude-Sonnet-4等主流模型。
消息要点
- EAPO引入证据奖励机制，将监督下沉至证据提取过程以解决幻觉问题
- 基于Qwen3-30B的EAPO在长文本测试中性能反超120B参数的GPT-OSS等模型
要点
阿里通义实验室正式推出全新强化学习框架EAPO（Evidence-Augmented Policy Optimization）。该框架创新性地引入“证据奖励”机制，将监督信号从最终答案下沉至证据提取过程，旨在解决大模型在长文本推理中出现的“搜对却答错”幻觉难题。 在多项权威长文本基准测试中，基于Qwen3-30B模型的EAPO框架表现优异。数据显示，其性能不仅稳定，更实现了对参数量高达120B的GPT-OSS以及Claude-Sonnet-4等大型模型的反超，展现了小参数模型在特定优化框架下的强大潜力。
资料来源与整理说明
本文由 AI最前沿通过 AI 辅助整理公开资料。产品能力与开放范围按发布方说明转述，未将其视为本站实测或独家采访结论。
- 通义实验室原始资料发布于
以上日期为原始资料发布日期；标题下方日期为本文在 AI最前沿的发布时间。