跳到主要内容
检索

# 基于结果的强化学习

3 篇关联报道

订阅更新
  1. arXiv

    用强化学习训练语言模型自主搜索证据,在265道题上以约5%推理成本超过Claude Opus 4.5

    该工作构建了基于2100多道已结算Polymarket问题、带分层防泄漏过滤的智能体预测环境与数据集,让模型在 rollout 时自行进行网页搜索、页面阅读和金融时间序列检索,并用单轮 GRPO 与 Brier 分数奖励训练 Qwen3.5-35B-A3B(3B 激活参数);训练后校准提升30-40%,每次 rollout 的搜索次数从3.8降至2.25,在相同评测框架下以约5%推理成本在证据型预测上超过所测四个前沿模型(含 Claude Opus 4.5,soft-Brier 0.254 对 0.256,n=265),且在人群本身尚未定论的最难问题上优势最大。

  2. arXiv

    SWiM 用工作记忆蒸馏让多模态大模型在无记忆推理时也能提升推理分割,并在基准上达到最优

    该工作发现多模态大模型在重新审视同一图像与查询时,其自生成的推理轨迹与定位提议可作为工作记忆提升推理分割,于是提出 SWiM 框架:按分割质量筛选 rollout 构建工作记忆,以记忆条件模型为教师,在学生自生成轨迹上提供 token 级分布监督,学生仅接收原始图像与查询,并联合优化 on-policy 自蒸馏与基于结果的强化学习,在推理分割基准上取得最优性能。

  3. arXiv

    南科大与港城大提出Box2-Bench:前沿模型用得上好工作流,却在坏工作流下最多掉43.3分

    作者提出Box2-Bench,在固定模型与任务的前提下只改变工作流的可用性与可靠性(无、好、坏、部分、混合五种匹配条件),发现Gemini 3.7 Flash、DeepSeek V4 Flash、GLM 5.2等前沿模型在12个模型–任务对中8对受益于好工作流、12对全部被坏工作流拉低(降幅3.3至43.3分),且混合条件在12对中10对低于匹配的部分条件;随后仅用坏工作流训练两个开放权重模型,反事实SFT把坏工作流惩罚从20.0分降到6.7分(AIME)和从9.8分降到0.6分(WebShop),但削弱了对留出好工作流的利用,结果奖励RL又把AIME上的利用率从-3.3恢复到+6.7,并在多智能体协作

已读完全部报道