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
- OpenAI 基金会资助 UNC 肿瘤抗原研究，招聘资深实验科学家 — iskander · 2026-10-27
- 研究者定向干预注意力头：向上提升诚实，向下压制道德虚无 — edelwax · 2026-10-27
- 研究表明神经元足以做电路分析，transcoder 增益有限 — burny_tech · 2026-10-27
- EMNLP 论文 GENIE:细粒度度量 LLM 故事的「新意」究竟在哪 — gregd_nlp · 2026-10-27
- hash n-gram 值嵌入助力 12×1024 GPT 刷新 30M 纪录至 3.2115 — RobertTLange · 2026-10-27
- MissionReport 基准:前沿模型写政府状态报告平均仅得约60分 — Exp_Mark · 2026-10-27