پژوهشگرانی به سرپرستی Yifan Yu روش ORL را معرفی کرده‌اند؛ روشی برای یادگیری باقیمانده روی‌سیاست در مدل‌های زبانی انتشار. ORL مدل را با مسیرهای پیش‌بینی خودش آموزش می‌دهد و برای دقیق‌تر کردن خروجی‌ها، تابع زیانِ انقباض آنتروپی را به کار می‌گیرد. در مدلی 4 B که از Qwen3‑4B تبدیل شده بود، ORL تعداد توکن‌های تولیدشده در هر گذر رو به جلو را تا ۶٫۲ برابر و توان عملیاتی کلی را حدود ۶٫۹ برابر افزایش داد؛ کیفیت خروجی نیز با مدل‌های خودبازگشتی هم‌سطح بود یا از آن‌ها بهتر شد. همین روش سرعت LLaDA‑2.1‑mini را ۱٫۵ برابر افزایش داد و بهبودهای محدودتری در DiffusionGemma ایجاد کرد.
چرا مهم است
توسعه‌دهندگان می‌توانند تولید متن سریع‌تر و باکیفیت را روی GPUهای رده مصرف‌کننده اجرا کنند و هزینه و تأخیر کاربردهایی مانند چت‌بات‌ها را کاهش دهند.
