Ronak Malde在人工智能工程世界博览会相关分享中表示，需要重新思考强化学习：要把真实世界使用转化为模型改进，需针对不可验证的逐令牌奖励重新设计后训练算法，并分享扩展SDPO算法用于持续学习的见解。该内容主要呈现研究方向与方法讨论，为关注模型后训练和持续学习的读者提供思路。
下线会立即隐藏 Defomo 内容，并联动撤回 Elys 全部 Feed、详情和分享入口；恢复不会补推历史 Feed。 本操作覆盖整个事件簇及未来新成员。
Ronak Malde在人工智能工程世界博览会相关分享中表示，需要重新思考强化学习：要把真实世界使用转化为模型改进，需针对不可验证的逐令牌奖励重新设计后训练算法，并分享扩展SDPO算法用于持续学习的见解。该内容主要呈现研究方向与方法讨论，为关注模型后训练和持续学习的读者提供思路。
簇级候选：8 个已有簇， 共 8 条代表。
AI Engineer表示，现实世界的使用反馈难以转化为可验证奖励，需要重新设计后训练算法，以处理非可验证的每令牌奖励，并将在其 World Fair 分享扩展 SDPO 等算法、支持持续学习的相关洞见。该内容聚焦真实世界反馈驱动的模型改进，为后训练研究提供了一个方向性讨论，但未披露具体实验结果或产品变化。
一则转发内容提出，应重新思考强化学习：将真实世界使用反馈转化为模型改进，需要为不可验证、逐令牌奖励重新设计后训练算法。该分享还提到在人工智能工程师世界博览会上交流扩展 SDPO、支持持续学习的算法思路，属于研究方向与方法讨论。
Trajectory团队在 aiDotEngineer World Fair 的持续学习赛道分享了后训练实践，指出将真实世界使用转化为模型改进，需要面向非可验证、按令牌计的奖励重新设计强化学习算法；团队还介绍了 GRPO 不足、转向在线策略训练并处理由此产生的问题。该分享为持续学习中的数据与训练流程设计提供了具体思路，但目前属于研究经验交流，影响主要集中在相关技术受众。