这是我最近关于法学硕士 RL 后培训的论文的一篇博客文章：介绍马太效应并建议用“永不放弃”来解决它。

它以互动方式呈现，不太正式，更像是我的演讲方式。

如需更深入、更技术性的探索，请查看以下论文： arxiv 和代码 github 。

您的评估实际测量的是什么？

毫无疑问，每一位优秀的强化学习实践者都看到过评估曲线的上升。

这是 Olmo 3.1 RL-Zero Math 的 RL 训练期间的 AIME 2025 评估 (1) (1)

🔗 原始来源

如果你要核对细节，可以再看原文： Hacker News AI原文链接