RL新技巧:让模型学会节省推理token
andrey_kurenkov · x · 2026-07-17
Thinking Machines Inkling 提出了一种实用的强化学习（RL）技巧：在优化目标中，不仅考虑任务成功率，还引入了 Reward = Task Reward − λ × (推理 token 数量) 的惩罚项。
通过在不同 rollout 中调整 λ 值并配合不同的努力程度指令，模型能够学会把“推理”视为一种需要节约的资源，而不是一味最大化思考长度。
「研究」频道最新
- Nature 新研究实现全身器官细胞活动成像,揭示跨器官体级回路 — arjunrajlab · 2026-09-11
- SignNet 1M 手语数据集发布 — ducha_aiki · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- InFlux++ 方法发布 — ducha_aiki · 2026-09-11
- Skyfall GS 登场:用 Flux 提升 Gaussian Splatting 精修质量 — ducha_aiki · 2026-09-11
- 一万个智能体能否突破反向传播,找到更好的学习算法 — SeunghyunSEO7 · 2026-09-11