一篇新的研究论文探讨了大型语言模型中灾难性遗忘的现象，特别是比较了强化学习（RL）和监督式微调（SFT）。研究发现，虽然SFT能更快地适应新任务，但它会严重破坏模型的内部电路，并导致先前能力的更大程度遗忘。相比之下，RL能保留更多原始模型的电路，尽管任务适应速度较慢，这表明电路的保留是RL在灾难性遗忘方面具有鲁棒性的关键。 AI
影响 这项研究表明，基于RL的微调可能是适应大型语言模型而不会牺牲现有知识的更稳定方法。
排序理由 该集群包含一篇学术论文，详细介绍了对模型行为的新的机制分析。[lever_c_demoted from research: ic=1 ai=1.0]
- catastrophic forgetting
- Large Language Models
- Qwen2.5-3B-Instruct
- Reinforcement Learning
- scientific question-answering
- Supervised Fine-Tuning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
