Dataset Policy Gradients：用策略梯度优化训练数据

早先报道称，有新论文提出 Dataset Policy Gradients，把训练数据的选择当作可优化对象。2026 年 10 月 7 日，AGI Hunt 进一步报道，该论文由 Tristan Thrush 等人完成并在 COLM 发表。方法是用策略梯度直接优化数据集，以命中任意可微分的训练或后训练指标。报道还称，仅靠训练数据就能在 GPT-2 权重里嵌入二维码。目前可见的进展只到论文发表与介绍，尚无复现结果或后续讨论的报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。