HF Daily Papers·· 7 天前精选AI 评分39
研究称 Qwen3 模型的强化学习增益主要来自思考泄漏而非新推理能力
The Thinking Leakage in Reinforcement Learning for LLMs
AI 导读
针对 Qwen3 系列模型（1.7B–8B）以 NO-THINK 模式训练并施加强化学习的研究发现，RL 带来的精度提升主要来自思考泄漏，NO-THINK 模型逐渐表现出原本 THINK 模式的行为。
推荐理由
论文通过权重、激活和注意力头干预给出因果证据，提示读者重新评估强化学习对推理能力的实际增益来源。
来源：HF Daily Papers · huggingface.co