别把 2024 年论文当突破：RLAIF 早已被广泛使用
burny_tech · x · 2026-09-20
有人转推 Meta 2024 年论文《Self-Rewarding Language Models》（ICML 2024）并称之为迈向递归自我改进的重大突破，burnytech 纠正说这是老闻：AI 反馈强化学习（RLAIF）早已被业界长期使用。
该论文的核心做法是用 LLM-as-a-Judge 让模型在训练中给自己提供奖励信号，配合迭代 DPO：Llama 2 70B 经三轮迭代后在 AlpacaEval 2.0 上超过 Claude 2、Gemini Pro 和 GPT-4 0613，且指令跟随与奖励质量双提升。
「Fun」频道最新
- 开发者感慨:全靠 AI 的新一代将错过命令行的小确幸 — andrey_kurenkov · 2026-11-12
- AMD EPYC 评测配图神似 ViT 分割模型 logit 伪影，逗乐 AI 研究员 — giffmana · 2026-11-12
- 梗图：把星际争霸玩好的人现在改玩「真实人生策略」了 — wavefnx · 2026-11-12
- 研究员吐槽:人类正用「最蠢的办法」逼近解决智能问题 — wgrathwohl · 2026-11-12
- 「有些学者甚至以从未用过 AI 为荣」引争论 — FlorianGallwitz · 2026-11-12
- 一群 Claude 过夜自写视频剪辑器，自动剪出 NASA 发射视频 — zealcaiden · 2026-11-12