บทความและงานวิจัย

ศึกษาผลกระทบของการให้คะแนนห่วงโซ่ความคิด (CoT) โดยไม่ตั้งใจในการเรียนรู้แบบเสริมกำลัง

หัวข้อต้นฉบับ:Investigating the consequences of accidentally grading CoT during RL

สรุปโดย AI

การศึกษาพบว่าโมเดลที่เผยแพร่บางส่วนมีการให้คะแนนห่วงโซ่ความคิด (CoT) โดยไม่ตั้งใจในระดับจำกัด ทีมได้แก้ไขเส้นทางการให้รางวัลที่ได้รับผลกระทบแล้ว และยืนยันว่าไม่มีหลักฐานชัดเจนว่าความสามารถในการตรวจสอบของโมเดลลดลง สิ่งนี้แสดงว่าผลกระทบของการให้คะแนน CoT โดยไม่ตั้งใจในการฝึกอบรมด้วยการเรียนรู้แบบเสริมกำลังในปัจจุบันมีจำกัด และหลังการแก้ไขไม่ส่งผลเสียต่อความสามารถในการตรวจสอบ

สรุปสั้น

เวลาเผยแพร่
เวลาอัปเดต
แหล่งที่มา
OpenAI:Alignment 研究博客(RSS)
หมวดหมู่
บทความและงานวิจัย
คะแนน AI
72
อ่านต้นฉบับ อ่านบทความฉบับเต็มที่แหล่งข่าวต้นฉบับ
เหตุผลที่แนะนำ

OpenAI 对齐团队发现部分模型 CoT 意外被奖励信号污染,已修复且确认没有引发监控降级。这件事不大,但对研究 RLHF 可扩展监督的人来说值得一瞥,提醒奖励模型工程比想象中更易出错。

แหล่งที่มาและลิขสิทธิ์

บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม

ลิงก์ต้นฉบับ · รายการ AIHOT

วิธีอ้างอิง

เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News

Orange News: ศึกษาผลกระทบของการให้คะแนนห่วงโซ่ความคิด (CoT) โดยไม่ตั้งใจในการเรียนรู้แบบเสริมกำลัง 7 พฤษภาคม 2026 https://new.nat6.net/th/news/cmovtn0nb006rslcx9tdeqjih/

ดูทั้งหมด →