Vibe News

一个叫杰夫的产品，把强化学习里原本藏在幕后打分的奖励模型，直接搬到台前当成了产品本身。 核心方法是校准决策强化学习：先把打分换成两两比较的概率，再把两两比较扩展成多个候选一起比较，最后加一道校准，模型说八成把握，八十次里就该真对八十次左右。 作者查证后指出，官方宣传的全新架构和并行采样器，拆开看只是序列打包加注意力掩码加一个共享打分头，都是业内早有的手法，官方没有公开过任何新算子或新算法。 评论区有人调侃，这篇博客里反复出现的排比转折句式，读起来很像大模型代笔。