AI视野

谷歌DeepMind发布的新论文表明，强化学习（RL）在跨领域中具有泛化能力，而监督微调（SFT）主要是记忆。👀

实验设置 

1️⃣ 模型与任务：Llama-3.2-Vision-11B；GeneralPoints（文本/视觉算术游戏）；V-IRL（现实世界的机器人导航） 

2️⃣ 设置：仅SFT vs 仅RL vs 混合（SFT→RL）管道 + RL变体：1/3/5/10次验证迭代（“拒绝采样”） 

3️⃣ 指标：分布内（ID）与分布外（OOD）表现 

4️⃣ 消融实验：直接将RL应用于基础的Llama-3.2模型，而不进行SFT初始化；测试极端的SFT过拟合场景；比较计算成本与性能提升

洞察 

💡 基于结果的奖励是有效RL训练的关键
🎯 当基础模型不遵循指令时，SFT对于RL训练是必要的
🔢 多次验证/拒绝采样有助于将泛化提升约6%
🧮 使用基于结果/规则的奖励，注重正确性
🧠 RL在基于规则的任务中（文本与视觉）能够泛化，学习可转移的原则
📈 SFT导致记忆化，并在分布外场景中表现不佳