研究证明结果型RL受限于基础模型
VectorInst · x · 2026-07-08
Murat Erdogdu证明,基于结果的强化学习后训练无法超越基础模型已掌握的知识,其能力被一个名为“似然分位数”(Likelihood Quantile)的性质所限制。要突破这一上限,需要过程奖励——即逐步反馈。
所属事件:ICML讨论结果型RL能否带来新推理(2 条相关)→
「研究」频道最新
- DiFA 让扩散模型推理对齐前向统计，生成质量更高 — cn-scut · 2026-07-21
- 微软研究院把 LLM Judge 变 Coach，优于 rubric RL — MicrosoftResearch · 2026-07-21
- OpenLongTail 用生成视角补齐长尾自动驾驶数据 — TexasAMUniversity · 2026-07-21
- GEPO 用组熵改造 GRPO，在 13 项基准上更稳更强 — internlm · 2026-07-21
- 阿里 RynnBrain 1.1 把具身基础模型扩到 122B-A10B — Alibaba-DAMO-Academy · 2026-07-21
- Apple 提出无需真实环境的 API 智能体合成数据方法 — _akhaliq · 2026-07-21