一句话概括：POPO 不再为无效样本额外做更多 rollout，而是把当前 batch 里的无效组替换成最近缓存过的高质量有效组，并通过解耦式 off-policy 重要性采样稳定更新，从而用更少 rollout 获得接近 DAPO 的训练效果 … POPO 的思路则是少浪费：既然训练过程中已经见过有效组，就把最近的高质量有效组缓存起来，用来替换当前 batch 中没有训练信号的无效组 … 未来的 RLVR 训练，可能不能只靠”多采样、多过滤”解决问题，而需要像 POPO 这样，把训练过程中已经产生的有效信号尽可能吃干榨净。