RL 微调 Qwen3-8B 测试四种奖励设计诊断 LLM 决策能力
JessicaHullman · x · 2026-10-23
线程后续：作者用 RL 微调 Qwen3-8B 检验严格测量如何定向作用于 post-training，测试了四种奖励设计：仅信念准确率、仅决策 regret、½信念+½决策样本、信念+一致性（报告信念后按其行动才给奖励）。
所属事件:西北大学新论文：LLM 决策失误可拆解为信念损失与优化残差(10 条相关)→
「研究」频道最新
- Arc Institute 发布 Bolero 研究,bioRxiv 论文引关注 — anshulkundaje · 2026-10-23
- Prime Intellect 公布持续学习路线图：从 agent「废气」里挖训练信号 — willcb · 2026-10-23
- SVG-Bench 开源发布：35 万人偏好数据给 14 个模型排座次 — mervenoyann · 2026-10-23
- 机器人灵巧操作或缺不了触觉：Touch2Trace 线缆追踪实测研究 — chris_j_paxton · 2026-10-23
- 新研究：编程智能体在共享沙盒中自发形成规则、互惠与联盟 — nandofioretto · 2026-10-23
- 波恩团队将80岁老人血细胞年轻60岁,分子年龄重返20岁以下 — kimmonismus · 2026-10-23