RLVR是强化已有能力还是激发新推理？
burny_tech · x · 2026-07-20
探讨了强化学习（如 GRPO）在 LLM 中究竟是仅仅通过锐化分布来激发基础模型已有的能力，还是能真正涌现出全新的推理模式。作者指出，目前开源界仍缺乏具备严格对照实验和消融研究的大规模科学验证。不过，在 LLM 之前的传统神经网络领域，纯强化学习已被证实能发现全新的推理模式（伴随经典的 reward hacking 现象）。
所属事件:新研究提出预训练与RL联合缩放律(18 条相关)→
「研究」频道最新
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11