好帖：封闭实验室使用的 RL 细节正在慢慢泄露出来
Nathan Lambert 推荐了 Martin Marek 的一则帖子，后者逆向还原了 Tinker 的新 StableReinforce 目标：Reinforce 加 Score Centering。这之所以重要，是因为封闭实验室很少公开其 RL 训练细节，这类逆向分析为外界了解前沿 RL 方法的实际做法提供了一个难得的公开窗口。
报道来源
- Nathan Lambert2026-10-25 11:19
Nathan Lambert 推荐了 Martin Marek 的一则帖子，后者逆向还原了 Tinker 的新 StableReinforce 目标：Reinforce 加 Score Centering。这之所以重要，是因为封闭实验室很少公开其 RL 训练细节，这类逆向分析为外界了解前沿 RL 方法的实际做法提供了一个难得的公开窗口。