中美模型差距本质是 RL 环境覆盖与数据质量之争

yacineMTB · x · 2026-10-28

teortaxesTex 长文分析模型分数差距的真实结构：

朴素意义的「刷榜」（直接在测试集上训练）很容易，不是差距来源；真正的差距来自 RL 训练对问题覆盖的深度。
覆盖有两层：有效算力（如 DeepSeek V4.1 每 GPU 小时可负担的轨迹数是 Kimi K3.1 的 16-50 倍）和环境质量（任务设计、打分、防 reward hacking 的护栏）。
数据是这个函数收益的上游。
关于中国模型的追赶趋势：Kimi K3 的 ECI 分数几乎完全被 Frontier Math 拖累——中国模型历来都在美国最新前沿任务（数学、编码、agent 工作）上落后，但下一轮迭代总能追上；而 K3 在 PostTrainBench 上大幅超出其总分（有理由怀疑美国实验室在压分），因为 Kimi 押注「造出造机器的机器」。
结论：即便有高质量内部研究项目和充足资源的实验室，也可能因基座弱、任务本身变难、任务数据积累不足而被评测刷新拖累。

「模型」频道最新