算法论文8

RLSC：让大模型自教自练，数学能力飙升21%

深度学习自然语言处理2025-06-13

AI 摘要

论文提出RLSC，让大语言模型用自身答案置信度作奖励信号，摆脱人工标注和奖励模型。仅16个样本训练20步，数学能力飙升21%，还让模型学会快推理，但有模型对错误答案过度自信问题。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

人脑信号可引导大语言模型鲁棒推理

本文介绍发表于Nature Machine Intelligence的最新研究，系统探究语言模型与人脑推理表征的对应关系，验证人脑信号可引导提升语言模型推理鲁棒性，为脑启发AI提供了新研究路径。

本文结合EchoRL、ReflectRL两项最新研究，重新解读推理轨迹的训练价值，解决全答对无强化信号、错题全丢弃的训练痛点，梳理方法设计、实验结果与适用边界，为大模型推理训练提供新参考。

本文解读Together AI的新算法论文，讲解大模型强化学习中，采样端与训练端的微小偏差如何累积放大导致训练跑偏，介绍Score Centering校正方法的原理、效果与应用边界。

本文报道小米开启史无前例的大模型训练直播，6天花费约2344万元完成MiMo-V2.6系列强化学习训练，训练出的MiMo-V2.6-Pro登顶开源大模型第一，全套技术资源全部开源，引发AI行业热议。