IXThinker·2025-04-15 17:00

DeepSeek聯手清華 獎勵模型推理時可擴展

強化學習已被證明是提升大型模型性能的高效後訓練方法，而獎勵建模作為核心組件，負責提供準確的獎勵訊號。一場線上報告將探討通用領域獎勵模型的推理時可擴展性。

傳統方法的局限

傳統獎勵建模方法往往依賴人工構建的規則或可驗證的標準答案，如數學解答、代碼輸出等，在更開放的大語言模型任務中面臨局限，難以靈活應對不同輸入並生成多樣化的獎勵訊號。