最近 RL 圈两个热度很高的工作——BPO 和 Score Centering——看起来是两条完全不同的路： 一个从 PMD（策略镜像下降）+ Bellman 重构出发，推 critic-free 的轨迹目标； 一个从 off-policy drift 分解出发，解释 TIM 为什么制造漂移并把它消掉。

这篇解读把两边的公式推到底，得到一个很干净的结论：