[LG]《Planning to Learn》I Osband [Google DeepMind] (2026)
在模型训练中，策略梯度不及交叉熵是一个悬而未决的难题。过去的方法受困于算力错配，本质是无视剩余步数：前者死盯简单题，后者死磕无解题。
本文的核心洞见是：把训练重新看作倒计时分配。由此，按剩余步数截断视野这一关键操作使问题得以解开：初期深挖潜力，末期拔掉死胡同的算力管。
这项工作真正留下的遗产是将倒计时融入损失。它为后来者打开的新门是将训练变为算力棋局，但尚未跨过的门槛是样本孤立结算，且常数纯靠人工。
arxiv.org/abs/2610.03667 #机器学习# #人工智能# #论文# #AI创造营#
发布于 北京