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
- 数学家 Daniel Litt 上线问题库,15 题仅 1 题被解,用来追踪 AI 解题进度 — littmath · 2026-09-11
- 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