研究揭示多数投票奖励追平可验证强化学习机制

2026年10月16日，arXiv发布的机器学习研究揭示了多数投票奖励强化学习能够匹敌可验证奖励的内在机制。研究指出，该机制的核心在于跨提示词错误互不相干，单提示词梯度对自身改变的贡献不足1%，其带来的梯度误导会随着批次增大而消失。在5个模型上的测试显示，多数投票与黄金更新的去噪余弦相似度在误差范围内为1，且在随机翻转高达30%标签的情况下仍能维持更新方向。该研究表明，决定自生成标签能否替代真实验证的关键因素是错误相干性，而非单纯的错误率。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。