标签：奖励模型
为什么明明很准，奖励模型就是不work？新研究：准确度 is not all you need
普林斯顿大学的研究团队从优化角度探讨了奖励模型在RLHF（基于人类反馈的强化学习）中的有效性，并揭示了仅依赖准确度评估奖励模型的局限性。研究表明，奖励...
清华一作1B暴打405B巨无霸，7B逆袭DeepSeek R1！测试时Scaling封神
多机构联合研究发现，通过优化测试时计算扩展（TTS）策略，小型语言模型在复杂数学任务中展现出超越大型模型的潜力。0.5B参数的模型在MATH-500和AIME24基准测...
1
2
