论文提出LLM强化学习新优化目标

论文《The Mirage of Optimizing Training Policies》指出，LLM 强化学习常存在训练策略与推理策略失配，导致优化不稳定；作者主张将“单调推理策略”而非训练策略本身作为真正优化目标，以更贴近实际推理过程。

2026-07-07 ~ 2026-07-07 · 2 条相关

• 论文:LLM强化学习的训练-推理失配与单调推理策略 — Jing Liang · 2026-07-06
• 论文：LLM强化学习真正目标是单调推理策略 — _akhaliq · 2026-07-07