「模型自己把自己练强」:RSI 与三个闭环

RSI(递归自我改进)常被混为一谈。把自我改进拆成数据、奖励、系统三个闭环,各自的成立条件和失效模式并不相同。

2026-09-01 · 7 分钟 · 3237 字 · njx

7 轮交互失败了该怪谁:奖励归因怎么进 GRPO/GSPO

多轮 agentic RL 里一条轨迹只有一个最终奖励,第几轮的错该怎么分摊?形式化、归因谱系,以及 GSPO-token 留的口子。

2026-08-31 · 10 分钟 · 4896 字 · njx