RL 不止微调 SFT：更长预训练带来更陡峭的 RL 扩展曲线

gleech · x · 2026-08-24

研究指出 RL 不仅仅是锐化 SFT 策略：在简单谜题上，它放大了 SFT 已偏好的正确移动；而在困难谜题上，它挖掘出了 SFT 中几乎不存在的正确移动。此外，更长的预训练带来了更陡峭的 RL 扩展斜率。

原文链接 →

「研究」频道最新

更多「研究」频道 AI 资讯 →