新论文:OPD 推理后加一阶段 RL,成绩稳定超过纯 OPD 与纯 RLVR
zhaoran_wang · x · 2026-09-17
xiyenlp 发布新论文,研究 OPD 与 RLVR 的交互关系:
- 核心发现:用 OPD 做完推理训练后,再追加一个 RL 阶段能持续提升性能
- 在多个推理任务上,OPD→RL 两段式方案优于纯 OPD、纯 RLVR 以及许多 OPD+RL 联合训练方法
- 结论信号:OPD 之后不要跳过 RL
被 zhaoranwang 等人转发评价为「重要的工作」。论文细节见原链。
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
- 小米 MiMo 提出 CodeSpecWeave:用相互依赖规格合成任务训练编程智能体 — XiaomiMiMo · 2026-11-02
- 谁把「用 AI 治愈癌症」讲得最具体？2025 年路线图正在成形 — iskander · 2026-11-02
- arXiv 论文证明 SGD 最优步长调度:单调递减的线性衰减是唯一极小极大最优解 — konstmish · 2026-11-02
- Karpathy 的 nanochat:100 美元从零训练出类 ChatGPT,星标近 6 万 — karpathy · 2026-11-02
- 读完 46 份资料后写出 Agent Evals 指南：自评 95 分的评测为何不可信 — blaizedsouza · 2026-11-02
- Meta 与 MIT 论文:循环复用 Transformer 层可胜过加深参数 — rohanpaul_ai · 2026-11-02