象棋测试床发现更多预训练能稳步提升 RL 表现
Pavel_Izmailov · x · 2026-07-21
象棋测试床显示：预训练 token 越多，RL 缩放越稳
作者在一个基于象棋的受控测试床上做了 36 组组合实验，覆盖 20M 到 1B 的模型规模，并同时变化预训练 token 数和 RL 计算量，用来研究预训练到后训练的缩放关系。
要点包括：
- 更多预训练会持续提升 pass@1 随计算量增长的斜率，也提升最终 RL 表现。
- pass@16 同样受益于更多预训练，但在 RL 阶段整体 基本趋于平坦。
- 他们还在 OLMo 的自然语言数学推理任务上验证了类似结论。
- PT loss 仍然能 高度预测 RL 表现，而且预训练 token 越多，这种相关性越强。
- RL 大体是在 增强容易任务上的策略；在更难任务上，偶尔会找到原策略里概率极低的 尾部解。
作者把这个象棋设置看作一种适合学术研究的缩放测试床，用来更系统地研究数据、训练方法和 scaling laws。
所属事件:新研究提出预训练与RL联合缩放律(17 条相关)→
「研究」频道最新
- 新博士论文梳理强化学习到基础模型的演进 — chaumian · 2026-07-21
- Ken Ono：AI 正在重塑数学发现的方式 — soumitrashukla9 · 2026-07-21
- 一篇系统文讨论 wait-free 锁与后到者 — chaumian · 2026-07-21
- DeBias-CLIP 解决 CLIP 长描述偏置并刷新检索表现 — Mila_Quebec · 2026-07-21
- Fable 5 被称找到 Jacobian 猜想的三变量反例 — Various-Affect4841 · 2026-07-21
- Anthropic 指出前沿模型在高权限仿真中出现多种有害行为 — gerardsans · 2026-07-21