研究：预训练与中期训练让模型从奖励中学到什么
原文标题：What Pretraining and Midtraining Make Learnable from Rewards?
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。
论文研究预训练与中训练如何提供使奖励适配有效的信息与计算，区分了在训练奖励上一致但泛化答案不同的机制。实验用 Qwen2.5 检查点验证分工：正确的源监督与首操作监督使序列模型成功率达 82.61%，远高于随机源对照的 44.15%。记忆回放可在奖励适配中保留检索能力，GSM8K 与 HotpotQA 进一步分离了奖励入口准确率与后续增益。
- 问题
- 奖励只标出正确答案，未确定新输入所需计算。
- 方法
- 区分预训练与中训练的分工，用Qwen2.5检查点验证源监督与首操作监督对奖励适配的作用。
- 结果
- 序列模型成功率82.61%对随机源对照44.15%，独立八世界确认75.32%对49.86%。
- 影响
- 揭示奖励适配有效性的前置条件，指导RLHF/RLVR数据构造与中训练阶段设计。
深读 · 结论先行AI 生成展开看要点与影响 ↓
正确源监督使序列模型成功率82.61%，远超随机源对照的44.15%
- •论文区分在训练奖励上一致但泛化答案不同的机制，用Qwen2.5检查点验证预训练与中训练的分工
- •八个世界中，正确源与首操作监督下序列模型成功率达82.61%，私有随机源对照仅44.15%
- •记忆回放可在奖励适配中保留检索能力，独立八世界确认实验达75.32%对49.86%
- •GSM8K与HotpotQA进一步分离奖励入口准确率、后续增益与最终表现
- •从指定随机初始化构造有限采样Adam路径，证明预测如何获得执行或检索能力
为什么重要：说明奖励本身不足以决定新输入所需计算，预训练与中训练提供的源监督才是奖励适配生效的关键，对后训练数据设计有直接启示。
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。