热点事件持续更新
ReMaRk 修正 GRPO 奖励噪声，训练步数省一半以上
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026 年 10 月 14 日，AGI Hunt 报道了一种名为 ReMaRk 的方法，用于修正 LLM 推荐训练中 GRPO 的奖励噪声。报道称，Rank-GRPO 对每个样本只取一条回复进行打分，因而引入奖励噪声；ReMaRk 则让生成的推荐列表一次性对全部 Reddit 回复标题的并集打分，并对每个请求等权重采样。在 7 个骨干模型和 3 个数据集上的实验中，ReMaRk 只需 Rank-GRPO 25%–53% 的步数即可达到其 2000 步的验证召回水平；7 组对比中有 4 组以更少的 GPU 时数达到 Rank-GRPO 的最佳水平。目前该工作披露的进展即为上述方法设计与实验结果。
AI 根据报道生成 · 1 小时前更新
最新进展10月14日 16:47
ReMaRk 在 7 组对比中 4 组以更少 GPU 时数达到 Rank-GRPO 最佳水平。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- AGI HuntReMaRk 方法修正 GRPO 奖励噪声，LLM 推荐训练步数省一半以上
ReMaRk 让生成的推荐列表一次性对全部 Reddit 回复标题的并集打分，并对每个请求等权重采样，修正 Rank-GRPO 每样本只取一条回复带来的奖励噪声。在 7 个骨干模型和 3 个数据集上，ReMaRk 只需 Rank-GRPO 25%–53% 的步数即可达到 2000 步验证召回水平，7 组对比中 4 组以更少 GPU 时数达到其最佳水平。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。