「LLMの推論能力は強化学習で鍛えられる」という定説に対し、最新の論文が反論。RLは新しい推論能力を獲得させるものではなく、単なる疎なポリシー選択に過ぎないと指摘する。
RLは「能力獲得」ではない——1〜3%のトークン補正だけで推論性能を再現するSparse Policy Selection
EDITORIAL SIGNAL
重要度 参考このニュースの影響
現時点では動向把握を目的とする参考情報です。
影響を受ける人
- AI動向を追うビジネスパーソン
確認すること
- 関連トピックの続報と公式発表を確認
今後の注目点
公式発表、提供条件、利用者への実際の影響
タイトル・要約の語句に基づく自動判定です。最終判断は公式発表・一次資料をご確認ください。
