AITOP

5月14日

01:10

AK@_akhaliq

50

RubricEM 是一种新的元强化学习方法，通过评分（rubric）引导策略分解，解决了传统强化学习中奖励信号难以定义的问题。该方法允许模型在复杂任务中学习更灵活的决策策略，而不仅仅依赖可验证的奖励。研究表明，RubricEM 在需要多步骤推理和长期规划的任务中表现优于现有方法，为强化学习在更广泛场景的应用提供了新思路。

论文元强化学习奖励设计策略分解 RubricEM 复杂任务规划

推荐理由：RubricEM 解决了强化学习中奖励设计难的问题，做复杂任务规划和决策的 AI 研究者值得关注，它可能让强化学习在更多真实场景落地。

5月13日

19:12

arXiv cs.AI@Yuanda Xu, Hejian Sang, Zhengze Zhou, Ran He, Zhipeng Wang, Alborz Geramifard

精选75

该论文提出了一种新的语言模型后训练原则：将稀缺的标注验证数据优先用于最强模型（教师）进行稀疏奖励强化学习（如GRPO），然后通过稠密奖励蒸馏（如OPD）将行为迁移到小模型（学生）。实验表明，在固定学生模型大小（Qwen3-1.7B）下，先对8B教师进行RL再蒸馏，效果优于直接在学生上运行GRPO。该原则强调避免在未准备好的策略上使用稀缺数据，而是通过“稀疏奖励发现→稠密迁移→学生侧稀疏奖励”的流程优化资源分配。

论文后训练强化学习知识蒸馏奖励设计 Qwen3

推荐理由：这篇论文为资源受限的团队提供了明确的训练策略——用最强模型做探索、用小模型做部署，做模型压缩或后训练的开发者可以直接参考这个稀疏到稠密的分配原则来提升效率。