热点事件持续更新
预训练与中训练如何使奖励可学习
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月2日，arXiv cs.LG 刊出一项基于 Qwen2.5 的研究，探讨预训练与中训练如何为奖励适配提供信息与计算，并检验两者的分工。研究在八个世界中测试：接受正确来源与首操作监督的 Sequential 模型成功率达 82.61%，而私有随机来源对照组仅 44.15%；独立八世界确认实验结果为 75.32% 对 49.86%。研究还借助 GSM8K 与 HotpotQA，区分了奖励进入时的准确率、后续增益与最终表现。
AI 根据报道生成 · 3 小时前更新
最新进展10月2日 12:00
arXiv 新研究用 Qwen2.5 检验预训练与中训练在奖励适配中的分工。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv：cs.LG（机器学习，全量分类）预训练与中训练能从奖励中学到什么？基于 Qwen2.5 的研究
研究探讨预训练与中训练如何为奖励适配提供信息与计算，用 Qwen2.5 检查点验证分工。八个世界中，接受正确来源与首操作监督的 Sequential 模型成功率达 82.61%，私有随机来源对照组仅 44.15%；独立八世界确认实验为 75.32% 对 49.86%。GSM8K 与 HotpotQA 区分了奖励进入时的准确率、后续增益与最终表现。
本事件热度走势
当前热度 9·可比范围峰值 10（10月2日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。