论文:LLM强化学习的训练-推理失配与单调推理策略
Jing Liang · hf · 2026-07-06
论文《The Mirage of Optimizing Training Policies》指出,大模型强化学习存在训练策略与推理策略不一致的失配问题,会引发不稳定。为此提出新的策略优化目标与框架,确保训练与推理阶段的策略改进保持一致,以单调推理策略作为真正优化对象。
「研究」频道最新
- Kolab 基准：真人屏幕录像揭示 AI Agent 高估自身协作质量 — minnesotanlp · 2026-10-27
- 一个样本就能刷过公平性基准，EMNLP 论文质疑 BBQ 可信度 — radamihalcea · 2026-10-27
- 一段手机视频生成2000条机器人演示,Real2Sem2Real媲美150条遥操数据 — Scobleizer · 2026-10-27
- 从权重范数几何理解MuonH:尺度不变网络中梯度垂直于权重 — jasondeanlee · 2026-10-27
- 用 Sail 等价性证明与 riscv-coq 交叉验证 RISC-V 规范,发现真实 bug — xennygrimmato_ · 2026-10-27
- Kokotajlo 质疑 CoT 监控性评测:如果模型不拒绝篡改思维链呢 — dfrsrchtwts · 2026-10-27