新方法LMOPD：词典序多目标在线策略蒸馏
原文标题：Lexicographic Multi-Objective On-Policy Distillation
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。
针对RLVR后训练中正确性、推理质量与简洁性难以兼顾的问题，论文提出LMOPD方法，按显式优先级整合多个奖励专家策略。该方法为每次学生采样选择首个存在缺陷目标的专家，并投影其对数策略修正以消除与高优先级专家冲突的成分。在30B-A3B MoE模型上，四专家设置下保留约90%的准确率与推理增益，显著优于最佳基线约57%的水平。
- 问题
- RLVR后训练难以兼顾正确性、推理质量与简洁性。
- 方法
- 按显式优先级整合多奖励专家策略，选首个缺陷目标专家并投影其对数策略修正。
- 结果
- 30B-A3B MoE四专家设置下保留约90%准确率与推理增益，最佳基线仅约57%。
- 影响
- 为多目标后训练提供保序方案，避免简洁性以牺牲正确性为代价。
深读 · 结论先行AI 生成展开看要点与影响 ↓
LMOPD在30B-A3B MoE四专家设置下保留约90%准确率与推理增益，最佳基线仅约57%。
- •针对RLVR后训练中正确性、推理质量与简洁性难以兼顾的问题，提出按显式优先级整合多奖励专家策略
- •方法为每次学生采样选择首个存在缺陷目标的专家，并投影其对数策略修正以消除与高优先级专家冲突的成分
- •两专家设置下完全保留准确率与推理质量增益，同时获得46.9%的简洁性增益
- •四专家设置下保留约90%的准确率增益与推理正确性增益，最佳基线仅约57%
- •消融显示词典序路由优于随机路由，投影步骤进一步带来提升
为什么重要：对做多目标后训练与RLVR的团队，这提供了一种不靠奖励标量化、显式保护优先级顺序的可行路线。
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。