研究发现：单个Transformer层即可捕获RL后训练大部分收益
rohanpaul_ai · x · 2026-07-03
新论文测试了一个反常规假设：冻结模型其余层，仅训练单个Transformer层做RL后训练，结果发现该单层往往能恢复相当大比例的完整RL提升效果。研究提出了「层贡献度」（layer contribution）指标，揭示RL后训练的有效变化更像是「层选择」而非全模型学习。这一发现对理解RL后训练机制具有重要意义，也为高效后训练方法提供了新思路。
「研究」频道最新
- Kimi K3 在网络安全上很强，但 token 效率卡住了评测 — teortaxesTex · 2026-07-27
- ARC AGI 3 应该保持私有，不该公开示例和数据集 — flowersslop · 2026-07-27
- ExploitGym 可能只有六到七成任务可解，引发 OpenAI 作弊争议 — max_paperclips · 2026-07-27
- 5090 本地测试：80k 上下文下 Qwen Q6 速度掉到 15 tok/s — LFAdvice7984 · 2026-07-27
- Chollet 认为智能可能有硬上限，AI 进步会趋于边际递减 — binarybits · 2026-07-27
- 论文提出图拓扑可成为 AI Agent 核心框架 — theomitsa · 2026-07-27