LM2LM：用强化学习训练模型提出改进方案

研究团队提出 LM2LM，用强化学习训练大语言模型生成有效的语言模型改进提案。该方法把冻结的大语言模型当作“研究世界模型”，让它根据上下文中的真实实验记录预测提案收益，并充当奖励模型；同时定期真实执行排名靠前的提案，把实测结果写回上下文，以保持反馈可靠。 论文由 Minhua Lin 等作者发布，目前只给出方法设计，未报告实测效果。 需要说明的是，报道只说“预测提案收益”，没有给出该预测与真实收益的吻合程度，因此不能把“奖励模型可靠”当作已验证的结论。

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。