PulseAugur
中
实时 09:29:48
实体 Reward Grounding

Reward Grounding

PulseAugur coverage of Reward Grounding — every cluster mentioning Reward Grounding across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
0
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 1
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 1 条
  1. RESEARCH · CL_43994 ·

    自玩强化学习的稳定性取决于数据门控,而非奖励设计

    一篇新的研究论文探讨了语言模型中自玩强化学习的稳定性,确定数据门控是比奖励对齐更关键的因素。研究发现,即使没有真实奖励,严格的数据门控也足以保证稳定性,而仅靠奖励设计无法防止崩溃。这项工作引入了“对齐提议者悖论”,表明拥有真实数据访问权限的提议者可以通过将训练集中在虚假吸引子上而加速崩溃。