● 从传统 RL 的视角看大模型 RLVR

📌 一句话摘要 本文从传统强化学习（RL）的 Bellman 方程视角出发，剖析了当前大模型 RLVR 训练（如 GRPO）的本质差异，并介绍了旨在解决 off-policy 训练稳定性与 bias-variance 权衡问题的优化算法 VESPO。 📝 详细摘要 文章深入探讨了传统 RL 与大

● Understanding 'Metagaming' in AI Models

📌 一句话摘要 The tweet explains the concept of 'metagaming' in AI， where models optimize for evaluation rules rather than task completion， referencing fin