新论文：单打排行榜选不出好队友，Shapley 奖励让 LLM 更会协作
shangbinfeng · x · 2026-10-22
CMU 研究者的新工作指出：LLM 通常被单独训练和评测，但为「独奏者」设计的排行榜会漏掉什么才是好的团队玩家。Solo RL 可能让一个 LLM 单独更强、协作更差。论文提出 Compositional RL：用 GRPO 训练，奖励取该模型对多 LLM 系统的 Shapley 边际贡献，从而训练出更会与前沿模型协作的策略，并给出评测协作能力的方法。
「研究」频道最新
- Anima Anandkumar 演讲：AI 气象模型胜超算，但不会取代科学家 — AnimaAnandkumar · 2026-10-23
- GLM-5.3-Flash 实现 1M token 上下文训练，较基线提升 64 倍 — AndrewLBeam · 2026-10-23
- 作者用布尔逻辑造 LM:前向传播单线程仅需几微秒但训练极慢 — cephaloform · 2026-10-23
- AdaDex:几秒人手视频即可教灵巧手学会抓取、抛接等可泛化技能 — mangahomanga · 2026-10-23
- ReAPO 论文:RLVR 中让模型在失败后重试,推理成绩与训练效率双升 — jasondeanlee · 2026-10-23
- 首个可跑在真实量子电路上的 JEPA 世界模型 Quantum-JEPA 发布 — DrMorganLevine · 2026-10-23