基础模型经过强化学习（ RL ）的后期训练，以最大限度地提高特定奖励，例如人类对齐、正确性或指导跟随。这种训练后的过程是计算密集型的，有时是不稳定的，每次奖励模型发生变化或当我们想要合并多个奖励时，都必须从头开始运行。因此，我们问：给定一个新的奖励功能，

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2609.30226v1)获取最准确的信息。

---
🔗 **原文链接**: [PoEM: Predicting RL Outcomes from Existing Policies](https://arxiv.org/abs/2609.30226v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Kimia Hamidieh, Giannis Daras, Antonio Torralba

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-09-25 13:01