热点事件持续更新
on-policy 监督微调框架兼顾泛化与算力效率
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月14日，据 AGI Hunt 报道，一项研究提出 on-policy 监督微调框架，目标是在标准监督管线的算力成本下取得接近强化学习的泛化收益。报道称，该框架针对 LLM 后训练的两难：SFT 算力高效但泛化差、易灾难性遗忘；RL 泛化好却算力开销大、依赖稀缺的可靠奖励信号、样本效率低。研究重点在于建立该框架的理论基础，为 RL 之外的后训练路径提供选项。截至该报道，尚无更多实验细节或与既有方法的对比结果公布。
AI 根据报道生成 · 3 小时前更新
最新进展10月14日 07:18
研究提出 on-policy 监督微调框架，力求以 SFT 级算力获得接近 RL 的泛化收益。报道时间线
沿着报道，了解事件的不同侧面。
10月14日
- AGI Hunt介于 SFT 与 RL 之间：on-policy 监督微调框架兼顾泛化与算力效率
一项研究提出 on-policy 监督微调框架，目标是在标准监督管线的算力成本下取得接近 RL 的泛化收益。该框架针对 LLM 后训练的两难：SFT 算力高效但泛化差、易灾难性遗忘，RL 泛化好却算力开销大、依赖稀缺的可靠奖励信号、样本效率低。研究重点在建立其理论基础，为 RL 之外的后训练路径提供选项。
本事件热度走势
当前热度 9·可比范围峰值 10（10月14日 08:00）·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。