研究发现 RL 后训练隐性代价:生成式推荐器排序更强、召回更差

_reachsumit · x · 2026-11-18

论文揭示生成式推荐器 SFT 后再做 RL 后训练的隐性代价:在全部五个研究数据集上,RL 提升头部结果精度(小 K 的 hit@K),却降低候选列表召回(数百 K 的 hit@K)——模型变成更好的排序器、更差的检索器。这对部署很关键,因为线上模型要向下游排序器/奖励模型交付数百个候选。

根因分析

补救方案

原文链接 →

「研究」频道最新

更多「研究」频道 AI 资讯 →