强化学习 - 皮哈皮阿

Loading

首页包含“ 强化学习 ”话题的文章

推理模型拒绝采样微调：K 值、奖励与代价

2026/11/04 分类: AI 开发实战作者: 戴墨镜的刘备浏览: 29

推理模型的拒绝采样微调看着简单：采 K 条、挑最高分、回炉 SFT。但 K 值不是越大越好，奖励模型的度量会被反复挑漏洞，COT 路径还会把过程可靠性问题带进数据。这篇记录几个实际会撞上的取舍。
思维链压缩到 20%，还能保住数学推理的准确率吗

2026/10/22 分类: AI 前沿作者: 戴墨镜的刘备浏览: 99

把推理模型的思维链砍到原来的 20%，多数压缩方法会崩，但 Extra-CoT 在 MATH-500 上还保住了近半准确率。拆一下它怎么用公式原子性和分层奖励，以及这些结果在别的任务上不一定成立。

本站模版是基于emlog的Beginning-Pro，这是一款自适应的简洁、灵活、响应式的博客模板，非常适合个人自媒体博客、资讯网站、资源分享等多种场景。
冀ICP备2023024430号-1

11011402053654

京公网安备11011402053654
sitemap

预览图