Meta 论文：强化学习后训练提升智能体首次尝试的成功率，却损害其在 128 次尝试内的最终成功率
Meta 的新论文发现，强化学习后训练能让智能体在首次尝试时表现更好，却在 128 次尝试内更难最终找到解。研究团队在 3 项智能体基准上测试了 14 对基础模型与后训练模型，并构建了 PTGS 采样器，对难题提高温度、对易题降低温度。这一结果很重要，因为它挑战了“强化学习教会智能体新技能”的假设，表明它主要重塑的是预训练中学到的行为。
报道来源
- Rohan Paul2026-10-29 17:14