算法论文7

大模型RL训练探索欲望下降问题

深度学习自然语言处理2025-05-30

AI 摘要

研究发现大模型在强化学习训练解题时，探索欲望急速下降，93%性能提升在前1/3训练步数。提出Clip-Cov和KL-Cov破解，Qwen - 32B在AIME题提升14.6%，熵控是突破性能天花板关键。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

腾讯开源框架，一句话造3D世界

香港科技大学（广州）和腾讯团队开源VibeWorlding框架，实现说句话造3D世界。它由VWE - Bench和VibeWorlding - Gym组成，开源模型经强化学习训练后成绩逆袭，证明强化学习解锁3D推理潜力巨大。

OpenAI发文称暂停最新模型强化学习训练两周，加固研究环境、进行红队测试等。部分低风险训练已恢复，最大规模前沿模型训练仍暂停。此举源于Hugging Face安全事故及Astra模型潜在风险。

OpenMOSS团队开源的World Critic Model（WCM），解决了视觉 - 语言 - 动作模型强化学习（VLA - RL）中批评家模型（Critic Model）仅依赖单帧观测打分的问题。WCM让Critic学习预测执行动作后的潜在状态，代码等全开源，验证效果显著。

本文指出机器人产业正补触觉这一课，2026年以来触觉成具身智能热门方向。但给机器人装传感器不代表其有触觉。以他山科技为例，剖析其全栈布局，探讨让机器人从物理世界获经验的路径及产业发展机会。