EasyPPO：稳定 critic 是 PPO 训练 LLM 的关键

EasyPPO 通过仅对 actor 做超长过滤、按采样回报标准差倒数加权 critic 回归、并适度缩小 critic mini-batch，解决了 PPO 中 critic 的两类失稳问题。