Baseten 试验梯度对齐奖励做在线策略监督

事件综述根据 1 篇报道整理，11月14日更新

Baseten 的 Base Labs 发布研究，探讨梯度对齐奖励能否在保留专家示范作为学习信号的同时，对学生模型自身采样计算梯度，并给出仅需两次标准反向传播的实现。 实验在四数 Countdown 任务上用 Qwen3-8B 进行，专家轨迹由 Opus 5.5 生成；团队先以单条提示与示范验证该奖励能否拟合，再考察模型是否仍会过拟合。 Baseten 称这些结果尚属初步，不对梯度对齐奖励及其效用作强结论。

综述由模型根据报道生成，细节以各篇原文为准。