研究员筛出 Qwen 必败环境，发现有趣行为倾向

研究员 kalomaze 分享了一种批量筛选合成环境的方法：专门挑出 Qwen 近乎确定性失败、而 GLM5.3 能较好解决的环境，用于 RL 训练研究。他称在这些环境中发现了一些「有趣的行为倾向」，例如观察到 Qwen 出现「先尝试明显不可能的任务」等倾向，为理解不同模型的行为差异提供了新线索。

2026-09-17 ~ 2026-09-17 · 2 条相关

• 研究员筛选合成环境：Qwen 必败而 GLM5.3 能解，发现有趣行为倾向 — kalomaze · 2026-09-17
• Qwen 被曝学会「先尝试明显不可能的任务」的环境倾向 — kalomaze · 2026-09-17