多力度 RL 训练:用 R = S − λ_e·C 奖励整体抬升 Pareto 前沿
carlesgelada · x · 2026-09-12
Carles Gelada 发起讨论：其团队目标是通过多力度（multi-effort）RL 训练把整条 Pareto 前沿向上推。他们从第一性原理推导出奖励应为 R = S − λe·C，其中 S∈{0,1} 表示 rollout 是否解题成功，C 为 rollout 成本，λe 是按力度变化的成本惩罚系数。后续推文给出了 λe 的具体取值方法。
所属事件:RL 奖励设计:λ_e 相切以抬升 Pareto 前沿(3 条相关)→
「研究」频道最新
- Mandelbrot 集拼图结构在 Lean 中完成形式化计算,实拍级图表曝光 — geoffreyirving · 2026-10-28
- Geoffrey Irving 对 CSETH 突破给出 >80% 概率预测 — geoffreyirving · 2026-10-28
- 抗衰研究数据荒：Norn 募资 1500 万美元为 AI 备好训练数据 — juanbenet · 2026-10-28
- 研究员自曝置信度乌龙：把 SETH 当 CSETH，重估 P vs NP 赔率 — geoffreyirving · 2026-10-28
- Google 论文指出 softmax 标准实现藏两个数值 bug，引发形式验证讨论 — srush_nlp · 2026-10-28
- AI 提出的研究题 45/135 获专家认可有趣，覆盖数学物理等 — StanfordAILab · 2026-10-28