تم اقتراح تحسين السياسة ثنائية الوضع (BPO) بشكل مشترك من قبل فريق Tencent Hunyuan والأكاديمية الصينية للعلوم في أغسطس 2025. وقد نُشرت نتائج البحث ذات الصلة في الورقة البحثية "R-4B: تحفيز قدرة التفكير التلقائي للأغراض العامة في أنظمة التعلم متعدد المستويات (MLLMs) من خلال التلدين ثنائي الوضع والتعلم المعزز".

BPO هي خوارزمية تعلّم معزز مصممة للتفكير الآلي. بخلاف أساليب التعلم المعزز الحالية التي تتطلب دوال مكافآت معقدة، أو تعتمد بشكل كبير على البيانات، أو تتأثر بحساسية المعاملات الفائقة، تستخدم BPO مكافآت رياضية بسيطة قائمة على القواعد. تُلزم هذه الطريقة بإدراج كلٍّ من أنماط التفكير وغير التفكير، مما يمنع تحيز النموذج نحو نمط معين أثناء تدريب التعلم المعزز.