#在线强化学习

𝙩𝙮≃𝙛{𝕩}^A𝕀²·ℙarad𝕚g𝕞

3周前

arXiv预印本2509.04259，探讨了在线强化学习（RL）在fine-tuning基础模型时为什么比监督微调（SFT）遗忘更少的问题 RL’s Razor：在所有解决新任务的策略中，RL偏好KL散度（Kullback-Leibler divergence）相对于原始模型最小的解决方案

#在线强化学习 #RL #fine-tuning #KL散度 #模型遗忘