RLHF与RLVR全都要，陈丹琦团队最新力作将推理能力拓展到通用智能

清华姚班出身的陈丹琦团队提出 RLMT 方法，通过引入显式思维链推理，将强化学习从可验证任务扩展至开放对话领域。实验表明，在 Llama 和 Qwen 等模型上应用 RLMT 显著提升了 WildBench、AlpacaEval2 等基准的表现，尤其在聊天与创意写作中优于传统 RLHF 模型，揭示了“先思考再表达”对构建智能对话系统的重要性。
来源：https://mp.weixin.qq.com/s/NdmF8GAuf-wCnop3I1Edtw