arXiv 论文：多数投票奖励为何能逼近可验证 RL
原文标题：Wrong Votes, Right Gradients: Why Majority-Vote Rewards Track Verifiable RL
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
一篇 arXiv 论文从批次级更新的角度解释了为何用模型自身样本的多数投票作为奖励，能复现可验证奖励训练的大部分收益。作者将多数投票更新分解为收缩与误导两部分，发现只要标签错误在各 prompt 间方向不一致，误导项会随批次增大而消失。在五个模型上测量逐响应梯度后，多数投票更新与金标准更新的一致性接近两次独立金标准更新之间的一致性，但该等价是局部的，金标准训练在留出集多数准确率上仍领先。
- 问题
- 为何用模型自身样本多数投票作奖励能复现可验证奖励训练的大部分收益。
- 方法
- 从批次级更新分解多数投票为收缩与误导项，测量五个模型的逐响应梯度。
- 结果
- 多数投票更新与金标准更新的一致性接近两次独立金标准更新；随机翻转30%金标签方向不变，共享规则翻转则破坏方向。
- 影响
- 说明自生成标签在批次尺度上足够可靠，可省去昂贵人工验证，但金标准训练在留出集上仍领先。
深读 · 结论先行AI 生成展开看要点与影响 ↓
论文解释多数投票奖励为何逼近可验证RL：批次级更新中误导项随批次增大消失。
- •将多数投票更新分解为收缩与误导两部分
- •参数共享使单个prompt自身梯度占其输出变化不足1%
- •五个模型上多数投票更新与金标准更新的一致度，接近两次独立金标准更新之间的一致度
- •随机翻转最多30%金标准标签不改变更新方向，但按共享规则翻转会破坏方向
- •该等价是局部的，金标准训练在留出集多数准确率上仍领先
为什么重要：为无答案场景下用自生成标签训练提供理论依据，同时划清其与可验证奖励的边界，影响RL数据标注策略。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。