研究者押注后训练阶段的离策略强化学习
andersonbcdefg · x · 2026-07-22
一位研究者表示，如果自己在做新实验室，会把重心押在 后训练阶段的离策略强化学习（off-policy RL） 上。
他的判断很直接：这条路未必能走通，但一旦跑通，可能会成为后训练优化里非常大的突破。帖子本身不是论文结果，更像是对下一代训练路线的押注与判断。
「研究」频道最新
- 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
- 「Waymo 效应」：AI 正在悄悄让科研协作变少 — JohnHammersley · 2026-09-11