新论文:OPD 推理后追加 RL 阶段,效果胜过纯 OPD 与纯 RLVR
gregd_nlp · x · 2026-09-16
新论文研究 OPD 与 RLVR 的相互作用,核心发现:用 OPD 做推理训练后不要跳过 RL——追加一个 RL 阶段能持续提升性能。在多个推理任务上,OPD→RL 的组合优于纯 OPD、纯 RLVR 以及许多联合训练方法,给出了两阶段训练顺序的实证依据。
所属事件:EMNLP 论文：先 OPD 后 RL 两阶段训练优于联合优化(4 条相关)→
「研究」频道最新
- Adobe 与 UCLA 提出 Tev：用可验证进度奖励破解长程 Agent 训练难题 — jiqizhixin · 2026-11-02
- 老招新用：path tracing 加 portal 采样，64spp 噪点显著下降 — ssh4net · 2026-11-02
- Marcel Böhme 提出漏洞引导加固哲学：为何安全永远无法一劳永逸 — mboehme_ · 2026-11-02
- Perplexity 开源研究型基准 WANDR：500 任务、17 万条证据点 — thisguyknowsai · 2026-11-02
- AI 意识研究者:我们没有可靠方法判断 AI 是否有意识 — dioscuri · 2026-11-02
- 蚂蚁团队发布统一反伪造模型，AI视频鉴伪达96% — inclusionAI · 2026-11-02