ReSPO：重塑序列策略优化，解决离策略学习中的梯度饥饿问题

针对 RLVR 中复用 rollout 导致的梯度饥饿问题，研究者提出 ReSPO（Reshaped Sequence Policy Optimization），用基于 α-散度变分目标与指数方差控制倾斜的平滑双分支序列级核函数替代 clipping：正分支为欠生成的正面回复保留非零梯度权重，负分支抑制严重过度生成的负面回复。