Предупреждение о сбое режима: награда RL выросла, максимум не изменился, это нужно подчеркнуть

Стэнфордский NLP на ICML 2026 продемонстрировал, как автоматизированный исполнитель превращает предварительную и последующую тренировку LLM в исполнительную среду, используя обратную связь для повышения эффективности исследований. Два метода: эволюционный поиск превосходит GRPO в задачах последующей тренировки (69,4% против 48,0%), а найденные рецепты для предварительной тренировки быстрее, чем nanoGPT (19,7 минуты против 35,9 минут), оба завершены в пределах десяти раундов поиска; обучение с усилением на основе исполнительной награды склонно к сбою модели, хотя и повышает среднюю награду, но не увеличивает максимум. Эта работа указывает направление для автоматизированных исследований ИИ, ориентированных на исполнение.