RLVR 预印本称，LLM 微调里只有一种 reverse KL 估计器无偏
heghbalz · x · 2026-07-26
这篇新预印本在比较 RLVR 微调里 reverse KL 项到底该怎么估计。研究对常见选择做了实证分析，包括把 K1 放在 reward 里、把 K3 放在 loss 里等，结果显示：除了“reward 里的 K1”之外，其余配置都会产生有偏梯度。
作者还发现，其中两种有偏设置会在 LLM 的强化学习微调中引发训练不稳定，甚至直接崩溃。文中的表格把各估计器的公式、是否无偏、以及最终训练表现做了系统总结，偏工程实战导向。
所属事件:新研究揭示大模型 RL 训练中 KL 估计器存在严重缺陷(4 条相关)→
「研究」频道最新
- 新加坡国立大学做出无电子无外部供能软力传感器 — CurieuxExplorer · 2026-07-27
- Chelsea Finn：机器人 RL 的瓶颈是物理 rollout 成本 — ycombinator · 2026-07-27
- ICML 2026 口头论文复现分数重算后仍偏中等 — profjamesevans · 2026-07-27
- 长周期智能体最终需要不可变事件日志 — sebpaquet · 2026-07-27
- Seed IQ 在 Doom II 里通关，引出 ARC-AGI 之后的评测问题 — Fit_Transition8824 · 2026-07-27
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27