仅 30 步 RL 模型大幅提升,作者惊讶未见平台期
stochasticchasm · x · 2026-09-22
作者 stochasticchasm 讨论某次 RL 训练:最令人惊讶的是模型仅经 30 步强化学习就取得巨大提升,远少于预期所需的步数。每步 batch size 极大——1568 个任务 × 16 个 rollout,因此整个 run 消耗了大量 token,但提升幅度仍超预期,且看不到平台期迹象,作者纳闷为何训练方没有继续训下去。
所属事件:小米 MiMo RL 训练细节引热议：疑似 1M 上下文、30 步即大幅提升(15 条相关)→
「研究」频道最新
- ECIR 2027 设 SAFE-SEARCH 研讨会，聚焦对话式搜索安全，1 月 15 日截稿 — HamedZamani · 2026-11-12
- 仅用正例自举后训练：235B 模型写出与人类难以区分的科学文本 — AllThingsApx · 2026-11-12
- UC Berkeley 开源 RoboSimStudio：AI Agent 无需训练数据编程工业机器人 — berkeley_ai · 2026-11-12
- LAION 发布 14 亿样本音频语料库，CLAP2-L 登顶 MAEB-30 达 53.6% — serrjoa · 2026-11-12
- Allen-Zhu新论文：Canon层随机卷积权重也能提升模型推理 — teortaxesTex · 2026-11-12
- Scale AI 论文：374 次攻击中 36% 成功，模型可在自训练迭代中暗中搞破坏 — Miles_Brundage · 2026-11-12