MaxRL用一行改动实现最大似然强化学习

MaxRL研究作者在ICML 2026口头论文中提出最大似然强化学习方法MaxRL。论文报告称，该方法把最大似然梯度表示为pass@k目标的加权组合，只需将成功轨迹梯度按成功轨迹数而非总采样数归一化，即可通过一行改动实现；测试时扩展效率较GRPO最高提升20倍。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。