近日，摩尔线程在人工智能前沿领域取得重要突破，其提出的新一代大语言模型对齐框架——**URPO统一奖励与策略优化，**相关研究论文已被人工智能领域的国际顶级学术会议AAAI 2026收录。这一成果标志着摩尔线程在大模型基础技术探索上迈出了关键一步，**为简化大模型训练流程、突破模型性能上限提供了全新的技术路径。**
![](/uploaded/developer/news/editor/2025/11/13/h0u4felucno.png)
当前，在大模型的后训练对齐阶段，主流技术如基于人类反馈的强化学习（RLHF），普遍采用“策略模型”与“奖励模型”分离的多阶段训练框架。这种解耦设计虽广泛应用，却存在明显短板：不仅工程繁琐复杂、计算资源消耗巨大，更因奖励模型在强化学习过程中保持固定，无法适配持续进化的策略模型，导致二者“能力失配”，从而限制模型性能的进一步提升。

在题为《URPO: A Unified Reward & Policy Optimization Framework for Large Language Models》的论文中，摩尔线程AI研究团队提出了URPO统一奖励与策略优化（**Unified Reward & Policy Optimization，URPO）框架**，创新地将“指令遵循”（选手）和“奖励评判”（裁判）两大角色融合于单一模型中，并在统一训练阶段实现同步优化。URPO从以下三方面攻克技术挑战：
* 
1. 数据格式统一：将异构的偏好数据、可验证推理数据和开放式指令数据，统一重构为适用于GRPO训练的信号格式。
2. 自我奖励循环：针对开放式指令，模型生成多个候选回答后，自主调用其“裁判”角色进行评分，并将结果作为GRPO训练的奖励信号，形成一个高效的自我改进循环。
3. 协同进化机制：通过在同一批次中混合处理三类数据，模型的生成能力与评判能力得以协同进化。生成能力提升带动评判更精准，而精准评判进一步引导生成质量跃升，从而突破静态奖励模型的性能瓶颈。

5. 实验结果显示，基于Qwen2.5-7B模型，URPO框架显著超越依赖独立奖励模型的传统基线：在**AlpacaEval指令跟随榜单**上，得分从42.24提升至**44.84**；在综合推理能力测试中，平均分从32.66提升至35.66。尤为突出的是，作为训练的“副产品”，该模型**内部自然涌现出卓越的评判能力**，在**RewardBench奖励模型评测**中取得**85.15**的高分，表现甚至优于其替代的专用奖励模型（83.55分）。

除了卓越的性能表现，URPO框架在工程落地方面同样展现出显著优势。该技术基于GRPO算法进行轻量化迭代实现，在代码层面仅需添加少量补丁即可完成部署，大幅降低了技术迁移与应用门槛。目前，**URPO已在摩尔线程自研计算卡上实现稳定高效运行**，充分发挥软硬件协同优化的底层优势；同时，摩尔线程已完成VERL等主流强化学习框架的深度适配，让这一简洁高效的对齐方案能快速融入现有研发体系，既保留了技术延续性，又为行业提供了兼具性能、效率与兼容性的一体化解决方案。

URPO框架的成功，是摩尔线程坚持底层技术创新、攻坚大模型核心挑战的重要成果。该研究不仅提供了一种更简洁、高效、性能更强的对齐方案，更通过“选手-裁判”一体化的设计，为大模型实现持续自我进化开辟了新路径。未来，摩尔线程将继续深耕大模型等前沿技术领域，以坚实的创新成果推动人工智能产业实现跨越式发展。


摩尔线程大模型对齐研究获顶会认可：URPO框架入选AAAI 2026