Nowe badanie wykorzystało szachy jako kontrolowaną platformę eksperymentalną, systematycznie badając interakcję między wstępnym treningiem a uczeniem przez...
Nowe badanie wykorzystało szachy jako kontrolowaną platformę eksperymentalną, systematycznie badając
interakcję między wstępnym treningiem a uczeniem przez wzmacnianie (RL) w zadaniach związanych z rozumowaniem. Badanie wykazało, że przy danym nakładzie obliczeniowym RL, późniejsze wyniki treningu można dokładnie przewidzieć na podstawie straty wstępnego treningu, a nachylenie krzywej nagrody RL rośnie liniowo w przybliżeniu wraz z liczbą tokenów wstępnego treningu. Na modelu językowym matematycznym o 1 mld parametrów, punkty kontrolne z dłuższym wstępnym treningiem osiągały lepsze wyniki w RL i szybciej się poprawiały.
arXivLabs is a framework that allows collaborators to develop and share new arXiv features directly on our website.
Have an idea for a project that will add value for arXiv's community? Learn more about arXivLabs ：https://info.arxiv.org/labs/index.html.
研究以国际象棋为受控实验平台，考察预训练与强化学习在推理任务中的关系。摘要称，给定强化学习计算量时，后训练性能可由预训练损失预测，奖励曲线斜率随预训练token数近似线性提升。
该材料关注推理能力从预训练延伸至强化学习后训练时的缩放规律。除国际象棋实验外，摘要还提到1B参数数学语言模型：预训练更久的检查点在强化学习阶段表现更高，提升也更快。
Aioga 判断，这项研究的价值在于尝试用预训练损失连接后训练表现，为选择进入强化学习阶段的检查点提供可检验线索。不过，现有材料未提供实验配置、误差范围及跨任务结果，结论边界仍需核对论文。
值得关注的是，如果论文中的预测关系能在更多任务和模型规模上复现，团队可能更容易评估预训练投入与强化学习收益之间的关系。但材料不足以证明该规律可直接推广到其他推理任务或更大模型。 下一步应查阅论文完整方法与实验结果，重点核验预训练损失的预测精度、奖励曲线斜率的拟合方式、国际象棋与数学任务的评测设计，以及不同计算预算和模型规模下是否保持一致。
当前抓取源提供的是标题、摘要、来源和原文入口，不直接搬运完整原文。完整报道请通过下方原文链接前往来源站点查看。
抓取通道: 摘要聚合 · 原始域名: arxiv.org
Źródło: HuggingFace Daily Papers（社区热门论文）
原文链接: Otwórz źródło oryginalne
Aioga 归档: 查看情报页
Content record: source-page · Updated: 2026-07-17T00:00:00.000Z
统一接入主流 AI 模型 API，为开发、测试与生产环境提供稳定调用入口。
立即访问 api.w173.com
Scan to open this articleAioga 自动聚合全球 AI 动态，并保留来源信息用于核验与引用。