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(18 条相关)→
「研究」频道最新
- MissionReport 基准：540 份政府任务报告仅 3 份全达标 — Exp_Mark · 2026-10-27
- Finch 1 发布：用 50+ 种传感器影像训练的通用地理空间基础模型 — Scobleizer · 2026-10-27
- Skyfall AI 推出工程世界模型 SKY-001:文本转 CAD 构建,3.9 秒 vs GPT-6 的 199 秒 — rohanpaul_ai · 2026-10-27
- 物理学家让 AI 自选课题：两小时产出可登顶刊的论文 — burny_tech · 2026-10-27
- 研究者谈评测集透明度:组合性评测仍存数据污染隐患 — najoungkim · 2026-10-27
- 可解释性研究该分清形式与估计器：均值差转向不如直接梯度下降 — johnhewtt · 2026-10-27