-
周志华团队新作：LLM 中存在奖励模型，首次理论证明 RL 对 LLM 有效性 ｜ 机器之心
该研究首次从理论上证明了大语言模型（LLMs）内部存在内源性奖励机制，无需依赖昂贵的人类标注数据或外部 AI 反馈。研究团队展示了如何从标准的下一个 Token 预测目标中恢复出离线逆强化学习奖励函数，并通过数学证明使用这种内源性奖励进行微调可以使策略误差界限从 O(H²)改进到 O(H)，显著优于基线模型。实验通过三个核心问题验证：1)内源性奖励模型(EndoRM)在多样偏好对上超越显式训练模型…- 0
- 0
强化学习理
-
✈优惠劵使用时效：无法使用使用时效：
之前
使用时效：永久有效优惠劵ID：×