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
- 剑桥等机构论文揭露图软提示的 token collapse 病态行为 — Sapienza · 2026-10-27
- Mathathon 2.0 启动：与陶哲轩 SAIR 合作，团队获 150 万美元算力 — _sathvikr · 2026-10-27
- 推友提出「甜课程」真实存在：两类 ML 问题应分而治之 — mike64_t · 2026-10-27
- PixGR：像素空间生成式解码加速前馈 3D 高斯重建 — kwangmoo_yi · 2026-10-27
- UniAction 统一动作条件框架:单一世界模型驱动多种动作类型 — ZeYanjie · 2026-10-27
- Infini-AI Lab 开源 Hermit:让 agent 从经验中进化出好习惯 — BeidiChen · 2026-10-27