搜索: "后训练规律"

中科大与上海AILab揭秘2026年ACL大会上的强化学习后训练规律

从 DeepSeek-R1 到 Kimi K2.5，利用强化学习（RL）来优化大型模型的推理性能已成为关键方法。然而，在 RL 后训练过程中存在一个重要问题：这种训练方式是否遵循特定规律？能否通过给定参数量、计算资源和数据规模，准确预测出 RL 训练所能达到的效果？中国科学技术大学与上海人工智能实验室等机构的研究团队对此进行了系统性的研究。他们使用 Qwen2.5 系列密集模型（从0.5B到72B