P2TPO：整页文档解析的 token 级信用分配

Qwen 团队提出 P2TPO（Page-to-Token Policy Optimization），把整页文档解析的强化学习反馈从页面级平均分改为按参考元素逐块记账、再将功过落到具体 token 上；论文称在 13 个评测集上全部超过 GRPO/GSPO/GDPO/RDPO 的最强基线。 该方法依赖干净的参考文档和稳定的序列化约定。论文在 Limitations 中明说，标注噪声、重复文本、合法的替代写法都会污染元素匹配和 token 标签；实验也只评测了文本、公式、表格三类，代码块、图片、跨页表格未作为独立类型验证。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。