DeepMind 研究员 Ian Osband：图像分类中策略梯度仅 4% 准确率，远逊交叉熵 62%

DeepMind 研究员 Ian Osband 通过图像分类实验质疑后训练中被默认当作「唯一 RL 损失」的策略梯度方法：在 ImageNet 等任务上它仅约 4% 准确率，交叉熵损失达 62%。他指出，后训练失败时业界习惯归咎于探索、信用分配等 RL 经典难题，但实验表明策略梯度本身可能存在根本性缺陷。相关结果引发了社区对后训练损失选择的讨论。