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
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11
- 「Waymo 效应」：AI 正在悄悄让科研协作变少 — JohnHammersley · 2026-09-11
- HF 工程师争论:非生成任务全用因果注意力是在浪费算力 — antoine_chaffin · 2026-09-11