ホットトピック継続更新中
研究提出利用辅助奖励改进小语言模型自我提升能力
1 件の報道1 件の報道元9 時間前 更新
まずこの件を把握する
AI 概要
2026年11月2日，arXiv人工智能领域发表研究《利用辅助奖励实现自我提升：从已验证轨迹中学习与评估迁移》。该研究指出，辅助轨迹偏好能够改进小语言模型的自我提升与迁移能力，旨在解决答案级奖励无法区分相同正确推理轨迹的局限。实验结果显示，在30道AIME问题上适配Qwen3-1.7B模型时，采用UID-Conj.辅助奖励使在线宏平均表现较未修改的TTRL提高了2.08个百分点；在离线加权SFT实验中，UID-Conj.相较于均匀加权提升了1.93个百分点，展现出挖掘正确轨迹潜在训练价值的效果。
AI が報道をもとに生成 · 8 時間前 更新
最新の進展11月2日 13:00
研究提出辅助奖励机制，在Qwen3-1.7B的AIME测试中有效提升了在线与离线表现。報道タイムライン
報道をたどり、出来事のさまざまな側面を知る。
11月2日
- arXiv 人工智能利用辅助奖励实现自我提升：从已验证轨迹中学习与评估迁移
研究表明辅助轨迹偏好可改进小语言模型的自我提升与迁移能力，解决答案级奖励无法区分相同正确推理轨迹的问题。在 30 道 AIME 问题上适配 Qwen3-1.7B 时，UID-Conj. 奖励使在线宏平均表现较未修改的 TTRL 提高 2.08 个百分点。离线加权 SFT 实验中 UID-Conj. 较均匀加权提升 1.93 个百分点，有效发掘了正确轨迹中的潜在训练价值。
このストーリーのホット度の推移
現在のホット度 8·比較可能範囲のピーク 10（11月2日 14:00）·直近24時間の比較可能な変化–
トレンドは継続して完全に観測した同じ主体のみを比較するため、現在のホット度の集計より範囲が狭い場合があります。ポインターの移動やタップで1時間ごとのホット度を確認でき、キーボードでは左右の矢印キーで切り替えられます。