研究：重新审视奖励优化的缩放定律
原文标题：Revisiting scaling laws for reward optimization
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 AI 对齐中针对奖励模型优化的缩放规律，厘清性能如何随偏好训练数据量与 KL 散度预算共同变化。作者提出信息论模型，证明性能大致按 Θ(√min{log(M), K}) 缩放并给出紧致可达的构造过程。用 70B 金标准奖励模型生成反馈、0.6B 至 4B 代理模型训练的实证显示，该定律拟合度 R² 达 97% 至 99%，且在不同模型规模、噪声与优化程序下稳健。
- 问题
- 奖励模型优化中，性能如何随偏好数据量与 KL 散度预算共同缩放尚不清楚。
- 方法
- 提出信息论模型，证明性能按 Θ(√min{log(M),K}) 缩放并给出紧致可达构造。
- 结果
- 70B 金标准奖励模型生成数据、0.6B–4B 代理模型训练，拟合 R² 达 97%–99%。
- 影响
- 为对齐训练中数据量与优化强度的投入配比提供可预测的定量依据。
深读 · 结论先行AI 生成展开看要点与影响 ↓
奖励优化缩放定律被厘清：性能约按√min{log(M),K}缩放，实证拟合R²达97%~99%。
- •论文聚焦性能如何随偏好训练数据量M与KL散度预算K共同变化，此前研究未清晰刻画二者联合作用
- •提出信息论模型证明性能上界约为Θ(√min{log(M),K})，并给出紧致可达的构造过程
- •实证用70B金标准奖励模型生成反馈，训练0.6B至4B的代理奖励模型
- •缩放定律拟合度R²为97%至99%，优于其他替代设定
- •结论在不同模型规模、噪声与优化程序下保持稳健
为什么重要：奖励黑客与过度优化是对齐的核心风险，该定律把数据量与优化预算的权衡变成可计算的公式，为对齐训练的资源分配提供定量依据。
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。