作者谈后训练：很多工作最终都收敛到一个函数和一个 reward
ivan_bezdomny · x · 2026-08-04
作者总结自己为什么喜欢做 post-training LLM：这类工作有一种高度集中的“杠杆感”。
- 很多努力最终会收敛到 一个函数、一个 reward、一个数值
- 在 10 亿参数级 模型上验证有效的方法，往往能迁移到更大的模型
- 但你不能指望靠自动化 RL，自己长出一个更好的 reward function
这条帖子的核心意思是：post-training 的吸引力在于收益高、可迁移性强，但真正的瓶颈仍然是 reward 设计，而不是单纯把 RL 算法继续堆复杂。
「研究」频道最新
- 三星提出 PROGRESS 框架：用覆盖引导强化学习优化 RAG 智能体 — _reachsumit · 2026-08-04
- 研究揭示 RAG 智能体致命缺陷：常跳过阅读证据直接作答 — _reachsumit · 2026-08-04
- 简析 Kimi K3 的 MoE 与注意力机制架构 — hsu_byron · 2026-08-04
- arXiv 数学论文月度上传量激增，逼近 5000 篇 — wandedob · 2026-08-04
- Search-GRT 用真值文档训练搜索智能体，提升多跳问答 — _reachsumit · 2026-08-04
- HindSearch:利用黄金答案事后复盘,增强搜索智能体训练 — _reachsumit · 2026-08-04