阿里通义实验室近日推出全新强化学习框架Evidence-Augmented Policy Optimization（简称EAPO）。该框架创新性引入“证据奖励”机制，将监督环节从最终答案层面延伸至证据提取过程，有效解决大模型在长文本推理任务中“搜索到正确信息却给出错误答案”的幻觉问题。基于Qwen3-30B模型搭建的EAPO框架，在多项权威长文本基准测试中表现突出，性能反超GPT-OSS（120B参数）、Claude-Sonnet-4等大模型。
阿里通义实验室近日推出全新强化学习框架Evidence-Augmented Policy Optimization（简称EAPO）。该框架创新性引入“证据奖励”机制，将监督环节从最终答案层面延伸至证据提取过程，有效解决大模型在长文本推理任务中“搜索到正确信息却给出错误答案”的幻觉问题。基于Qwen3-30B模型搭建的EAPO框架，在多项权威长文本基准测试中表现突出，性能反超GPT-OSS（120B参数）、Claude-Sonnet-4等大模型。