Nathan Lambert评RL算法研究焦点

2026年10月31日，Nathan Lambert在X上发文称，为了给书里加笔记，他正在读一篇 score-centering 强化学习论文，该论文附录中有一张表格，对比了基于重要性采样的不同训练-推理不一致方法。Lambert 表示，在他看来，自从 GRPO 起飞以来，这些方法一直是 RL 算法研究最大的焦点。报道未提及该论文的作者、发表时间及表格的具体内容，也未给出更多后续进展。

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。