首页› 资讯库› 梯度对齐奖励能否让监督变成同策略?Baseten 用 Qwen3-8B 实测 微资讯 · 来源报道 梯度对齐奖励能否让监督变成同策略?Baseten 用 Qwen3-8B 实测 AIHOT 最近七天 2026-11-14 返回首页 阅读原文 Baseten Base Labs 探讨梯度对齐奖励能否在保留专家示范作为学习信号的同时,对学生自身采样做梯度更新。该方法把学生 rollout 与专家示范的 log-likelihood 梯度做余弦相似度打分,并给出仅需两次标准反向传播的高效实现。 实验在四数字 Countdown 上用 Qwen3-8B 进行,专家 rollout 由 Opus 5.5 生成。 回首页继续看 →