Ring-Zero：将 Zero RL 扩展至万亿参数规模用于涌现推理
无人类标注数据的可验证奖励强化学习（即 Zero RL）已成为激发链式思维推理的有效范式，但现有研究受计算限制主要集中于小模型，其大规模训练的动态特征和涌现能力尚未被充分探索。为在该前沿取得突破，研究团队旨在激发模型的高质量推理行为，但发现简单扩展往往面临可读性差、Token 冗余和缺乏自适应推理等问题。
查看原文解读生成中或暂时不可用，请稍后刷新重试，或直接查看原文。