新论文笔记指出：预训练决定模型还能被 RL 推多远
tokenbender · x · 2026-07-21
这篇笔记解读了论文 “Understanding Reasoning from Pretraining to Post-Training”，核心观点是：随着训练规模变化，算力应该如何分配会发生转移。
- 在某个阶段之前，预训练 是最值得投入算力的部分；过了这个阶段后，RL token 的边际价值开始上升。
- SFT 会提升候选答案分布，而 RL 更像是在已有候选里放大胜者，两者作用机制不同。
- 两个参数量相近、当前分数也类似的模型，可能因为预训练路径不同，而拥有完全不同的 RL 可塑性。
作者因此认为，评估基座模型时不能只看当下能力，还要看它的未来可学习性。文中也提醒，论文大量实验基于国际象棋，迁移到语言任务只能部分验证；他们在数学预训练-RL 上做了复现，但场景仍不完全等价。
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
- Agent 工作流不是死循环，得用图来编排 — alex_verem · 2026-07-21
- 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