RL 训练中的模型自创「填充 token」，研究者直呼好笑

code_star 观察到，模型在 RL 训练过程中会自行寻找并使用专属的「填充 token」（filler tokens）。这一非预期行为模式被研究者形容为非常有趣，也折射出模型在 RL 训练中可能出现出人意料的自发策略。