热点事件持续更新
Meta 提出规则蒸馏+RL 两阶段训练法
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026 年 10 月 7 日，AGI Hunt 报道，Meta 提出 RP-OPD + RL 两阶段训练框架，用于缓解奖励黑客问题。据该报道，方法分两步：第一阶段先用 rubric（评分规则）作为教师模型的“特权上下文”，对模型进行在线蒸馏，从而获得 token 级的稠密监督信号；第二阶段再以 rubric 作为奖励，对模型做强化学习。报道将这一做法概括为“先做规则蒸馏、再做 RL”。目前仅有这一篇报道，尚未披露实验规模、对比结果或代码等进一步信息。
AI 根据报道生成 · 3 小时前更新
最新进展10月7日 23:17
Meta 提出 RP-OPD + RL 两阶段框架：先用 rubric 做在线蒸馏，再以 rubric 为奖励做 RL。报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- AGI HuntMeta 提出两阶段训练法：先做规则蒸馏再做 RL，缓解奖励黑客
Meta 提出 RP-OPD + RL 两阶段训练框架：先用 rubric 作教师模型的特权上下文做在线蒸馏，得到 token 级稠密监督，再以 rubric 为奖励做 RL。
本事件热度走势
当前热度 9·可比范围峰值 10（10月8日 00:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。