Meta 团队发布 MaD-RL：用强化学习校准 LLM 输出分布

Meta（前）团队发布新论文 MaD-RL（Matching Distributions for Calibrating LLMs with RL），提出用强化学习精确校准 LLM 输出分布的方法。作者在同一线程补充解释称，GRPO 式 RL 会把概率集中到特定模式，仅最大化奖励无法按 prompt 精确控制输出分布，只优化正确性的 RL 反而会损害响应多样性，凸显了分布级控制的意义。

2026-09-24 ~ 2026-09-24 · 2 条相关

• Meta 团队发布 MaD-RL：用强化学习精确校准 LLM 输出分布 — nagpalchirag · 2026-09-24
• MaD-RL 作者补充：只最大化奖励无法指定目标输出混合比例 — nagpalchirag · 2026-09-24