这篇博客围绕近期关于大型语言模型（LLM）强化学习后训练的论文展开，此论文引入马太效应（Matthew Effect）并提议用永不放弃（Never Give Up）解决，内容以交互且较不正式的方式呈现，更像是在聊研究想法与实验过程而非刻板宣读论文。
正文
你的评测到底在测什么？
每个RL从业者想必都见过评测曲线上升。我们在用RL训练 Olmo 3.1 RL-Zero Math 时的 AIME 2025 评测便是如此（见 Olmo 3.1 博客与 arxiv）。
在 Dolci RL-Zero math 上用RL训练 Olmo 3 7B 基座，改善了它的整体数学能力。抑或并非如此？
评论
少数人认为持久化模型随时间会变得高度有效，多数人则质疑平台评论排序埋没好内容、指出原文链接有误，并提醒大模型确认存在推理偏误。
认为持久化模型随时间推移会变得高度有效
- 以 OpenAI 高度持久的内部模型为例，认为这类模型经时间积累能展现极强效果，且是 HF-OAI 事件的主要驱动（少数人） > 像 OpenAI 那样高度持久的内部模型，随着时间推移会极其高效，它们才是 HF-OAI 事件背后的主导（@aswegs8）
质疑平台评论排序机制埋没高质量评论
- 观察到在评论尚少时，有深度的见解迅速沉没而琐碎内容留存，对当前平台的排序或下沉机制表达困惑与不满（少数人） > 为什么这个帖子下两条高质量评论一发布就死了，留下来的全是琐碎内容（@tpoacher）
指出原文声称的论文与代码链接实际指向同一页面
- 发现文章顶部引导读者查看深度技术细节的链接并未分开指向 arXiv 论文与 GitHub 代码，而是全部导向同一个地址（少数人） > 顶部那些指向论文和代码的链接，其实都指向了同一个页面（@MiliasGeiger）
提醒大模型确认存在确认偏误，性能实测须排查全栈瓶颈
- 结合个人性能测试经历，指出初期测得超高消息速率是被内存队列与执行循环速度错配误导，而大模型因相同逻辑偏误确认了错误数字；修正后才知真实瓶颈在内存，且拆开调用栈虽提速却牺牲稳定（少数人） > 错误的数字被 Claude 确认，是因为它和我一样陷入了基于合理逻辑推导出的确认偏误（@austin-cheney）
有价值的补充
- 网络消息处理中实际仅约 0.08% 时间花在 CPU 与网络，剩余 99.92% 消耗在内存；将消息推送放入独立调用栈可使单套接字吞吐达六百万每秒，但会牺牲传输稳定性。
- 修正队列管理能将真实传输速率从十万每秒提升至八十万每秒，表明工程调优需综合考量缓冲排空速度与执行循环速度匹配。