Nace AI 提出新训练法 RLAF：用推理模型当裁判教决策模型省 token
nischay_twt · x · 2026-11-07
Nace AI 研究者在关于 Foundation Decision Models 的新论文中提出名为 Reinforcement Learning from Adjusted Feedback（RLAF）的训练方法：核心思路是「花 token 做推理的模型，可以训练另一个模型在不生成答案 token 的情况下做决策」。
- 不只依赖单一正确标签，而是结合两路反馈：可验证的结果（verified outcome），以及生成式推理模型对各选项赋概率的判断
- 旗下 Drex Max 的裁判角色由 Qwen3.8-27B base 模型在高推理强度下担任，可在评估选项前进行长推理
- 该方法指向决策类任务中把推理成本与决策模型解耦的路线
「模型」频道最新
- Claude 工作中顺手生成设计概念可视化，用户直呼惊艳 — RileyRalmuto · 2026-11-07
- 爆料称新实验室用 12T token 打出 DeepSeek 45T 的效果 — teortaxesTex · 2026-11-07
- Qwen 4 Preview 疑似曝光,视频展示阿里新一代模型预览 — opoot_ · 2026-11-07
- 用户晒 Anthropic Cyber 验证计划 Defense Access 获批邮件 — AIFlow_ML · 2026-11-07
- ChatGPT 取消无限聊天,Plus 用户讨论退订迁移方案 — ShinyPlasm · 2026-11-07
- Qwen 4 预览版现身 Arena,传 Qwen 4 Max 配百万上下文 — WorldofAI · 2026-11-07