论文：LLM强化学习真正目标是单调推理策略

_akhaliq · x · 2026-07-07

_akhaliq分享的论文《The Mirage of Optimizing Training Policies》提出：在LLM强化学习中，真正应作为优化目标的是“单调推理策略”，而非训练策略本身。