训练中自己生成的 Rollout,模型还能学到什么?小红书 AllSpark 提出 ROSS

摘要

训练结束后,模型自生成的旧轨迹仍蕴含学习价值。ROSS通过筛选成功轨迹、审核可模仿片段,并施加选择性监督,在数学、代码及长程Agent任务中显著提升性能,无需额外生成新数据。

欢迎在评论区写下你对这篇文章的看法。

评论

Главная - Вики-сайт
Copyright © 2011-2026 iteam. Current version is 2.155.2. UTC+08:00, 2026-10-21 05:01
浙ICP备14020137号-1