从第一性原理拆解 RL 不稳定根源，Score Centering 直接抵消
_AndrewZhao · x · 2026-09-19
RL with LLMs 在训练策略与采样策略数值不一致（training/sampling mismatch）时非常不稳定，标准修法如数值对齐、重要性采样只是绕过问题。这条线程称从第一性原理找到了不稳定性的根因，并提出直接将其抵消的方法——Score Centering：实现简单，性能有竞争力，且可与现有方法叠加使用。
所属事件:Together AI 提出 Score Centering，一个修正项稳住 off-policy RL(5 条相关)→
「研究」频道最新
- 哈佛教授承认：AI 生成的文章评审已全面优于人类最佳水平 — iamfakhrealam · 2026-11-04
- Cohere等论文:合成预训练收益竟源于嵌入初始化偏差 — LauraRuis · 2026-11-04
- kalomaze 展示 DeepSeek V3.1 底座更大骨干实验，eval loss 降至约 0.82 — kalomaze · 2026-11-04
- Reddit 网友无梯度改写 Qwen 0.6B 权重：39.8M token 让模型「爱上一支乐队」 — Altruistic_Heat_9531 · 2026-11-04
- SpecPilot 智能体自动优化投机解码：速度从 4.46× 提升至 10.87× — pmttyji · 2026-11-04
- 自主 Agent 定制 MSA 策略，提升 AlphaFold 3 蛋白复合物预测 — SJTU · 2026-11-04