新RL框架Exploration-Distillation：让LLM训练敢于激进探索
micahgoldblum · x · 2026-10-13
研究者 Micah Goldblum 发布 Exploration-Distillation 强化学习框架，目标是解锁 LLM 在 RL 阶段的激进探索能力，性能大幅超越 DAPO 等标准算法。
其核心观察：RLVR 中的 LLM 已经过预训练，奖励只监督模型知识的极小部分——模型哪怕忘掉大半维基百科也能拿到高奖励，因此现有算法难以让模型在 RL 中真正发现新知识。该框架正是针对这一矛盾设计。
所属事件:NYU团队推出ExpDis：解耦探索与优化，性能超DAPO(6 条相关)→
「研究」频道最新
- YC 公司 b12 Labs 推出 b12 Foundry,AI 设计分子自动化量产 — Scobleizer · 2026-10-14
- IBM STAIR 借目录检索，幻觉率降至 0.05%，比对手低 65 倍 — alex_verem · 2026-10-14
- kANNolo 0.12 发布 RerankIndex：两阶段检索框架吞吐超 HNSW — CShorten30 · 2026-10-14
- Gemini 4 登顶 RareBench 与 LabBench，科研基准超 Opus 5.5 — danielmckinn0n · 2026-10-14
- Flow Matching 论文:仅缩放速度场,FID 从 28.0 降至 8.7 — francoisfleuret · 2026-10-14
- Prompteina：用一句自然语言直接设计全原子蛋白质 — RulinShao · 2026-10-14