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
- Meta FAIR 提出 Self-Direction:把 agent 失败变成 LoRA 技能,成功率提 13.8pp — karen_ullrich · 2026-10-27
- DONIC 双手机器人追踪成功率 86.79%，远超此前 SOTA 的 9.43% — liuziwei7 · 2026-10-27
- 为什么没有更多 10M 上下文模型?研究者抛出注意力机制疑问 — agarwl_ · 2026-10-27
- 研究者吐槽:论文里 PSNR 低于 15dB 基本是用错了指标 — kwangmoo_yi · 2026-10-27
- Ortet 首批医疗评测:34 个开源模型 50 项任务,通用排名不够用 — thegautamkamath · 2026-10-27
- Scaling 拟合之争:Uncheatable 计入输出头 FLOPs,Paloma 剔除,最小档差距高达 65% — dlwh · 2026-10-27