研究者 mathemagic1an 提出免人类偏好的 RL 思路：用代码复现 YouTube 讲解视频

数学研究者 mathemagic1an 提出一种无需人类偏好数据的 RL 训练思路：让模型只用代码去复现 YouTube 上的讲解视频。复现质量可由视觉模型自动打分验证，成本极低，绕开人工标注，训练出的风格天然接近 YouTube 教育娱乐类内容。他猜测前沿实验室可能已经在跑这个方法的变体。