理查德·索彻和布莱恩·麦肯发布了35个关于2026年的预测，指出大型语言模型革命已达顶峰，资金将回流基础研究；“奖励工程”将成为新职业；传统编码将在12月消失，AI将负责编写代码，人类则负责管理。
本文介绍了一种强化学习中的奖励工程方法，用于解决有监督微调的局限性，并提供了多种奖励聚合方法的详细讨论。作者指出强化学习在未来研究中的潜在潜力，并提出了两种半结构化解释生成基准的奖励取得了新的最先进结果。
完成下面两步后，将自动完成登录并继续当前操作。
