IXThinker·2025-08-06 11:10

監督學習未死 新法20倍效率提升模型推理

一題強化學習展現潛力，但即使只用一個樣本，RL訓練往往也需上百小時A100算力，且過程不穩、難以復現。有華人學者團隊另闢蹊徑，提出以監督學習為基礎的新方法One-Shot CFT，據稱訓練效率提升約20倍。

技術背景

大模型推理研究中，可驗證獎勵強化學習（RLVR）屢有突破，「一題強化學習」在多個任務表現亮眼。然而其算力成本高昂、訓練高度不穩定；傳統監督式微調（SFT）計算負擔雖小，低數據量下卻極易過擬合。