RL后训练诱导技能组合机制研究

Simon Park、Simran Kaur 与 Sanjeev Arora 发表研究，通过 Countdown 任务案例分析 RL 后训练机制。研究发现模型习得技能组合能力，能实现对更大数值及未见树形结构的分布外（OOD）泛化。 该诊断机制揭示了标准指标 pass@k 未能反映的泛化失败点。具体表现为模型先掌握浅层平衡树，再掌握深层不平衡树，但在固定深度下，右侧较重的结构表现仍较为脆弱。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。