论文：LLM强化学习真正目标是单调推理策略
_akhaliq · x · 2026-07-07
_akhaliq分享的论文《The Mirage of Optimizing Training Policies》提出：在LLM强化学习中，真正应作为优化目标的是“单调推理策略”，而非训练策略本身。
「研究」频道最新
- Baseten 研究发现，LLM 新事实写入权重后很脆弱 — alex_verem · 2026-07-21
- AI 动作图像为何仍显静态：姿势、动势和镜头要一起到位 — Jaded-Term-8614 · 2026-07-21
- Kimi K3 与 Fable 5 的差距已不像过去那样明显 — FinanceYF5 · 2026-07-21
- uv-scripts/ocr重回HF热门榜并新增JSON模型选择目录 — vanstriendaniel · 2026-07-21
- DeepSearch-World 用 42 万可验证问答训练网页智能体 — HKUST · 2026-07-21
- GigaAM Multilingual 用 200 万小时音频攻低资源语音识别 — ai-sage · 2026-07-21