一篇新论文对强化学习可验证奖励(RLVR)在大语言模型中报告的收益提出了质疑,认为在MMLU等域外任务上的改进很大程度上归因于答案格式化,而非真正的能力增强。研究人员发现,当答案提取方法调整为在文本任意位置查找答案,而不只是在特定框内查找时,报告的收益显著减少。这表明RLVR过程可能主要是在教授模型将答案置于提取器偏好的格式中,而不是提高其根本的推理或知识能力。 AI
影响 表明当前的RLVR收益可能很肤浅,促使重新评估LLM的训练和评估方法。
排序理由 该集群包含一篇详细介绍LLM训练方法研究发现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →