RL 也能训练出更清晰推理链
menhguin · x · 2026-07-16
- 转发内容讨论一篇关于 **不使用 SFT、只用 RL** 的结果。 - 作者认为一个值得注意的点是：即使没有监督微调，也能把 reasoning traces 训练得**更可理解、也更高效**。 - 这类结果说明，推理链的组织方式可能不完全依赖 SFT，RL 本身也能塑造出更“干净”的推理行为。
menhguin · x · 2026-07-16
- 转发内容讨论一篇关于 **不使用 SFT、只用 RL** 的结果。 - 作者认为一个值得注意的点是：即使没有监督微调，也能把 reasoning traces 训练得**更可理解、也更高效**。 - 这类结果说明，推理链的组织方式可能不完全依赖 SFT，RL 本身也能塑造出更“干净”的推理行为。