MiniMax MiniMax官方分享其RL算法CISPO的技术细节与优势。 算法选择:因PPO类算法在复现R1-Zero时不稳定,最终选择经验上更稳定的CISPO。 适配性:CISPO在MoE模型和稠密模型上表现相似,更换RL算法无需重构核心模型架构。