新论文揭秘:后训练数据中的「岔路口」如何让推理模型覆盖度收缩
ParshinShojaee · x · 2026-10-03
作者将出席 10 月 8–9 日在旧金山举行的 COLM 2025,研究方向为长程智能体、上下文管理、自我改进与开放式发现。
其团队将在会议展示论文 《Why Do Reasoning Models Lose Coverage? The Role of Data and Forks in the Road》(10 月 8 日周四 4:30pm,Imperial Ballroom #58):
- 从数据中心的视角重新审视「推理模型为何丧失覆盖度」这一开放问题
- 核心发现:后训练数据中的「forks in the road」(岔路口式情境)会塑造并收缩模型的行为覆盖范围
作者同时在现场约见同行交流。
「研究」频道最新
- 单卡 36 小时、100B tokens 从零预训练 400M 稀疏 MoE 模型 — Tall_Abrocoma_3533 · 2026-11-19
- 研究者质疑 METR/Anthropic「2 倍加速」RSI 论证统计上站不住 — jessi_cata · 2026-11-19
- 用线性探针识别基座模型补全文本时扮演的人格,尚无人尝试 — cephaloform · 2026-11-19
- ETH 机器人 Anymal 阿尔卑斯山完成 10 公里全自主徒步 — ChongZzZhang · 2026-11-19
- OpenVax 代码量 15 个月从 7.8 万行涨到 56.5 万行 — iskander · 2026-11-19
- François Fleuret:decoder Transformer 没有 trade-off 超参,足够优雅 — francoisfleuret · 2026-11-19