In2AI

开源模型以新的强化学习方法在策略游戏中击败 GPT-5

研究人员开发了一种新颖的强化学习技术，称为延迟每步奖励归因，旨在克服训练语言模型智能体进行复杂多智能体交互的挑战。该方法允许奖励仅在回合结束时计算和传播，排除无效步骤，并确保稳定、样本高效的训练。当应用于 MindGames Arena 基准测试时，采用这种方法训练的 80 亿参数开源模型，其表现显著优于包括 GPT-5 在内的更大专有系统，在公开和高效赛道上均获得第一名。