MIT 研究：用对抗判别器修复 RLVR 的多样性坍缩
dair_ai · x · 2026-07-04
DAIR.AI 推荐 MIT 一项关于“可验证奖励强化学习（RLVR）”的研究。RLVR 只优化可客观评分的维度，导致风格、结构与多样性悄然坍缩，并催生奖励黑客。该工作引入一个基于人类演示训练的对抗判别器，作为人类输出分布的学习代理，让生成器同时优化任务准确率与“类人度”信号，在 bug 修复、故事生成等任务上验证有效。
「研究」频道最新
- YC 活动上称，生物基础模型必须模拟细胞而非只会描述 — david_van_dijk · 2026-07-27
- 谢雅琪加入 UIUC 任助理教授，招募智能体与机器人方向学生 — dhruv2038 · 2026-07-27
- 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