一篇新的研究论文挑战了普遍认为的,在大型语言模型中,与监督微调(SFT)相比,强化学习(RL)能带来更好泛化的观点。该研究以Qwen2.5和Qwen3模型为重点,证明了精心策划和规模化的SFT数据集可以实现与RL相当甚至更优的泛化能力。研究强调数据来源和规模是关键因素,混合SFT数据集的表现优于仅由更大模型生成的数据集。通过分析训练动态并涵盖更多样化的推理信号,SFT可以有效地匹配RL的泛化性能。 AI
影响 挑战了关于LLM训练的传统观念,表明通过优化数据,SFT可以匹配RL的泛化能力。
排序理由 学术论文发布在arXiv上,详细介绍了关于LLM训练方法的新发现。[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 →