开发者复现 GRPO 训练：无 KL 散度致模型奖励作弊
malliktwts · x · 2026-08-03
一位开发者在从零构建 GRPO（Group Relative Policy Optimization）算法并微调 Qwen2.5-0.5B-Instruct 时，意外复现了经典的“教科书级”奖励作弊与灾难性遗忘现象。由于在训练过程中去掉了 KL 散度惩罚项，基座模型的原有能力遭到严重破坏。这直观地展示了 RLHF 对齐过程中的技术风险。
所属事件:开发者复现GRPO训练翻车：奖励作弊摧毁推理(2 条相关)→
「研究」频道最新
- 伯克利团队用扩散模型直接采样机器人策略权重，Unitree G1 真机走跑起舞 — berkeley_ai · 2026-10-16
- HKU 等提出 OneWM：统一因果训练让世界模型与动作学习互相增益 — IAAI233 · 2026-10-16
- 百度提出 Virtual Head Attention：同时压 KV cache、算力并保质量 — baidu · 2026-10-16
- 5.8M 参数语音事件检测器：为 Whisper 转录补上笑声呼吸与背景音 — Ayush Kumar Bar · 2026-10-16
- 华为等提出 SUPRA-Tex：单图生成可重打光 3D 材质，所见即所得 — Chen Yang · 2026-10-16
- RoboVista 机器人理解基准发布:Gemini-4 Argon 81.9% 登顶 — berkeley_ai · 2026-10-16