MaD-RL：用强化学习校准大模型输出分布
原文标题：MaD-RL: Matching Distributions for Calibrating LLMs with Reinforcement Learning
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。
该论文提出 MaD-RL 框架，通过强化学习实现「分布匹配」，让模型输出的潜在类别属性分布对齐指定目标分布，而非仅最大化期望奖励。作者指出 GRPO 等主流后训练方法会压缩输出多样性、使策略概率集中于单一模式，而熵正则与采样温度只能有限缓解。论文为 KL、Jensen-Shannon 等散度设计奖励函数并给出理论依据，在数学推理与编程任务上验证了有效性。
- 问题
- GRPO 等后训练方法压缩输出多样性，无法控制生成结果的属性分布。
- 方法
- 提出 MaD-RL，用 KL、Jensen-Shannon 等散度设计奖励函数，通过强化学习匹配潜在类别属性的目标分布。
- 结果
- 在数学推理与编程任务上验证有效，未给出统一量化提升数字。
- 影响
- 需要合成数据多样性或公平性约束的产品，可用它替代只最大化期望奖励的后训练配方。
深读 · 结论先行AI 生成展开看要点与影响 ↓
MaD-RL用强化学习匹配输出分布，指出GRPO会压缩多样性至单一模式。
- •目标从最大化期望奖励转为让输出潜在类别属性分布对齐指定目标分布
- •论文指出GRPO等主流后训练方法将策略概率集中于单一模式，降低输出多样性
- •熵正则与采样温度只能有限缓解，且局限于token空间与均匀分布
- •为KL、Jensen-Shannon等散度设计奖励函数并给出理论依据，此前工作被证明是L2散度的特例
- •在数学推理与编程任务上验证有效性
为什么重要：合成数据生成、公平性约束与策略探索都需要控制输出分布而非仅拉高期望奖励，该框架为这类需求提供了可操作的RL目标设计。
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。