一篇新发表在arXiv上的研究,调查了在监督微调(SFT)之后,使用基于可验证奖励的强化学习(RLVR)进行人工智能模型训练的有效性。研究人员开发了一个名为gpu-train-debug的基准测试,该测试包含1,877个合成任务,旨在诊断GPU和LLM训练中的失败。他们的发现表明,仅SFT在基准测试的困难分割上取得了0.785的分数,而大量的GRPO步骤(一种基于验证器的强化学习形式)并未提高性能。进一步的分析显示,基于验证器的强化学习在分布偏移下仅提供了微小的收益,这表明SFT占了大部分性能提升。 AI
影响 质疑在人工智能模型开发中,某些强化学习技术在监督微调后应用的增量效益。
排序理由 学术论文,详细介绍了新的基准测试和实验结果。[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 →