IXThinker·2026-03-04 17:00

二次嘗試加反思蒸餾複雜任務提升81%

強化學習已成大模型後訓練的核心方法，但現實環境中獎勵信號稀疏且延遲，模型難以據此調整行為。新的訓練思路結合二次嘗試與反思蒸餾，令複雜任務表現提升最多 81%。

演進脈絡

大模型的學習方式經歷清晰路徑：早期監督微調依賴固定示例模仿，受限於人工數據的規模與質量；隨後的可驗證獎勵強化學習將模型帶入交互環境，通過獎勵試錯優化策略，支持持續自我演進。