hotai.news
← 返回 AI 快讯
AI 快讯 / 事件详情
labs.baseten.co · 发布于

梯度对齐奖励能否让监督变成同策略?Baseten 用 Qwen3-8B 实测

自动整理 · 基于采集摘要,未逐条核验
本站整理于

事件要点

Baseten Base Labs 探讨梯度对齐奖励能否在保留专家示范作为学习信号的同时,对学生自身采样做梯度更新。该方法把学生 rollout 与专家示范的 log-likelihood 梯度做余弦相似度打分,并给出仅需两次标准反向传播的高效实现。实验在四数字 Countdown 上用 Qwen3-8B 进行,专家 rollout 由 Opus 5.5 生成。

阅读说明

事件要点来自采集摘要;相关背景引用本站已有资料,帮助理解术语,不作为本次事件的新事实。产品效果、适用条件及后续变化请查看原始资料。

原文来源

来源与采集进展

来源报道标题原文发布时间本站收录时间
labs.baseten.co梯度对齐奖励能否让监督变成同策略?Baseten 用 Qwen3-8B 实测2026-11-14 08:242026-11-14 08:32