SFT+RL为何提升推理组合泛化
tw_killian · x · 2026-07-11
这篇论文研究了：为什么在后训练推理模型中，把 SFT 和 RL 结合起来往往效果最好。
作者提出，这种优势来自组合泛化：模型把推理看作由可复用的“原子模块”组合而成。论文用层级潜变量选择模型形式化这一点，并给出结论：
- SFT 负责提供覆盖面广的推理轨迹，让模型学到可复用的原子模块；
- RL 负责在这些模块上继续探索与重组，从而超出 SFT 分布，实现更强的组合泛化；
- 实验表明，最强结果通常出现在 SFT 提供足够广的覆盖，同时 RL 去探索新的组合 的情况下。
转发里还提到作者认为“推理创造力”可以理解为模型把已知技能重新组合来解决新问题。
所属事件:探秘后训练：SFT与RL如何提升模型推理组合泛化(5 条相关)→
「研究」频道最新
- Clinical System One v0.2:更难测试下顶级医疗 AI 准确率跌至 65% — MaziyarPanahi · 2026-10-27
- IdeaAnchor:用 1.4 万篇论文的灵感溯源教 LLM 基于文献提想法 — armancohan · 2026-10-26
- MIT Ziming Liu 批评 AutoResearch：不懂原理的训练技巧会引发 forking 过拟合灾难 — ZimingLiu11 · 2026-10-26
- 斯坦福数据中心化 AI 研讨会开放报名，海报截止延期 — jure · 2026-10-26
- 「氛围验证」研究：近 60% 的形式化证明证明的不是作者本意 — basedjensen · 2026-10-26
- 浏览器助手 Ito 读懂浏览意图，自动把标签页编排成 Flows — andrewkuznet · 2026-10-26