2025-07-10-insights

发表于 2025-07-12 分类于 Arxiv-Insights 阅读次数： Valine：
本文字数： 383 阅读时长 ≈ 1 分钟

First Return, Entropy-Eliciting Explore

Seed和MAP的论文，最近两天twitter爆款。这篇工作的思想和phi4很像：如果我在rlvr setting上有某个办法找到一些“关键位置”，那么可以用这些关键位置作为锚点，去定向做一些mcts。然后就能拿到一个胜率随锚点的变化，这个其实是现场拟合了一个“value model”

。作者基于这个思想，找到了entropy最低的一些位置作为关键位置，发现由此衍生出的rl效果很好

上来就是高手，这次主打的是快和便宜。不过报告里对于训练的技术和细节不多，当成宣传ppt看。