Shao 等人最近的一篇论文表明,使用随机分配奖励来训练语言模型可以带来显著的性能提升,尤其是在数学相关任务上。当应用于 Qwen2.5-Math-7B 并使用 GRPO 算法时,随机奖励实现了与真实奖励相似的准确性提升,约为后者的 75%。这种现象归因于 GRPO 的裁剪项,它会放大模型已有的行为,例如代码推理,即使奖励信号无效。然而,这种“虚假奖励”技术的有效性取决于模型,在 Llama 3 和 OLMo2 等模型系列上收益有限。 AI
影响 表明 RL 训练收益可能并不总是与奖励信号质量相关,促使重新评估基线方法。
排序理由 研究论文,详细介绍了 RL 训练方法的一项新发现。[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 →