新智元报道 编辑：桃子好困 错误奖励，也能让 AI 推理开挂！最新研究证明，伪奖励让 LLM 推理性能暴涨 24.6%，一举颠覆传统的 RL 训练认知。 今早的一篇爆火论文，彻底颠覆了人们对「强化学习」的传统认知。 仅用随机奖励，甚至是错误答案，也能让 AI 在数学推理中性能暴涨！ 来自华盛顿大学、
新智元报道 编辑：桃子好困 错误奖励，也能让 AI 推理开挂！最新研究证明，伪奖励让 LLM 推理性能暴涨 24.6%，一举颠覆传统的 RL 训练认知。 今早的一篇爆火论文，彻底颠覆了人们对「强化学习」的传统认知。 仅用随机奖励，甚至是错误答案，也能让 AI 在数学推理中性能暴涨！ 来自华盛顿大学、
By