RLVR 训练存在首因偏差，研究入选 NeurIPS 2026

Parshin Shojaee 等人的论文《On the Primacy Bias in RLVR Training》被 NeurIPS 2026 接收。研究发现大语言模型在强化学习与可验证奖励（RLVR）训练中存在「首因偏差」：模型对早期训练样本「先入为主」、难以遗忘，类似人类的记忆固化现象，这可能影响训练后期样本的学习效果，为 RLVR 训练策略提供了新视角。

2026-09-25 ~ 2026-09-25 · 2 条相关