新论文测试RL后训练是否真学新策略

SaxeLab · x · 2026-07-10

一篇新论文搭建了可审计的测试平台，用来检验 RL 后训练到底是在教模型新东西，还是仅仅放大基座模型已有技能。作者称实验中捕捉到了 RL 在生成新策略，而不是单纯增强既有能力。