[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-tsallis-loss-reasoning-model-training-zh":3,"article-related-tsallis-loss-reasoning-model-training-zh":26,"series-research-8e6e5e5b-c51f-495e-a596-203fb64c71eb":78},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":23,"created_at":24,"published_at":25,"topic_cluster_id":11},"8e6e5e5b-c51f-495e-a596-203fb64c71eb","tsallis-loss-reasoning-model-training-zh","Tsallis loss 讓推理模型更快脫困","\u003Cp>訓練推理模型時，最麻煩的不是模型不會學，而是它一開始幾乎學不到。當輸出層級的監督訊號太弱、正確答案機率又很低，訓練很容易卡在冷啟動。這篇論文 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2604.25907\">How Fast Should a Model Commit to Supervision? Training Reasoning Models on the Tsallis Loss Continuum\u003C\u002Fa>，就是在處理這個痛點：模型在還很不會做題時，到底應該多快「認真」接受監督？\u003C\u002Fp>\u003Cp>作者提出的不是單一新演算法，而是一條損失函數連續體。核心是 Tsallis q-logarithm loss family，讓兩個極端可以被放在同一個框架裡看：q=0 對應 reinf\u003Ca href=\"\u002Fnews\u002Fdv-world-tests-chart-agents-real-workflows-zh\">or\u003C\u002Fa>cement learning from verifiable rewards（RLVR），q=1 對應 latent trajec\u003Ca href=\"\u002Fnews\u002Frecursive-multi-agent-systems-token-efficiency-zh\">to\u003C\u002Fa>ries 的 log-marginal-likelihood。重點不在於它們的方向不同，而在於它們對更新訊號的放大方式不同。這個差異，剛好就是冷啟動會不會卡死的關鍵。\u003C\u002Fp>\u003Ch2>這篇論文想解的痛點\u003C\u002Fh2>\u003Cp>論文一開始就把問題講得很工程：如果模型在訓練初期幾乎不會答對，只有看最終輸出對不對的監督方式，常常會太慢，甚至完全推不動。對做推理模型後訓練的人來說，這不是理論上的瑕疵，而是實際會遇到的訓練停滯。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777443006073-083j.png\" alt=\"Tsallis loss 讓推理模型更快脫困\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>作者把這種情況稱為 cold-start problem。意思很直白：模型一開始成功率太低，RLVR 這類偏向只獎勵可驗證正解的方法，拿不到足夠強的訊號去把模型拉出谷底。訓練不是沒在跑，而是跑得太慢，慢到像卡住。\u003C\u002Fp>\u003Cp>這篇論文的出發點很實用。它不是問「哪個方法比較漂亮」，而是問「監督到底要多早、多久、多強地介入」。這個問題對推理模型很重要，因為這類模型常常是在 pretraining 之後再做 post-training，訓練訊號又常常只看最終答案，早期如果完全沒中，整個流程就會很脆弱。\u003C\u002Fp>\u003Ch2>Tsallis loss 連續體怎麼運作\u003C\u002Fh2>\u003Cp>作者提出的 J\u003Csub>Q\u003C\u002Fsub> 是一個 Tsallis q-logarithm 損失家族。它最關鍵的設計，是讓所有成員都保有相同的 per-example gradient direction。也就是說，梯度往哪裡走沒有變，變的是每個樣本被放大的程度。\u003C\u002Fp>\u003Cp>這個放大不是單純調學習率，而是由一個 scalar amplification term，P\u003Csub>θ\u003Csup>-q\u003C\u002Fsup>\u003C\u002Fsub>，去重新加權每個訓練實例。白話一點說，模型不是換了一條新方向，而是改變了每個例子對訓練的「話語權」。對冷啟動來說，這件事很重要，因為早期成功率低時，訊號本來就少，怎麼放大訊號就直接影響能不能脫困。\u003C\u002Fp>\u003Cp>在這條連續體上，q=0 是 exploitation pole，對應 RLVR。q=1 則是 density-estimation pole，對應對 latent trajectories 做 log-marginal-likelihood。作者的觀點是，這兩端不是互斥的兩派，而是同一個框架下對「要多快做出承諾」的不同選擇。\u003C\u002Fp>\u003Cp>中間的 q 值則代表折衷。q 越偏向 1，越像密度估計，逃離冷啟動的速度越快；但同時也可能更容易把噪聲一起放大。q 越偏向 0，則越接近 RLVR 的行為，訓練更偏向利用已知可驗證訊號，但在初期可能更容易卡住。\u003C\u002Fp>\u003Ch2>為什麼實作上不只是一個 loss\u003C\u002Fh2>\u003Cp>論文也處理了實作上的難題。P\u003Csub>θ\u003C\u002Fsub> 這個量是 intractable 的，不能直接算。所以作者推導出兩個 Monte Carlo estimator，而且是從兩種梯度分解方式來的。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777442995802-o26n.png\" alt=\"Tsallis loss 讓推理模型更快脫困\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cul>\u003Cli>\u003Cstrong>Gradient-Amplified RL（GARL）\u003C\u002Fstrong>：從 prior 取樣，然後放大 RL 梯度。\u003C\u002Fli>\u003Cli>\u003Cstrong>Posterior-Attenuated Fine-Tuning（PAFT）\u003C\u002Fstrong>：用 importance resampling 從 posterior 取樣，再跑標準 supervised fine-tuning。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這兩個版本的共同點是，都有 O(q \u002F (M P\u003Csub>θ\u003C\u002Fsub>\u003Csup>q+1\u003C\u002Fsup>)) 的 bias。差別則在於作者指出 GARL 的 variance 較低，而 PAFT 產生的梯度語意更一致、更像一般人熟悉的 fine-tuning。換句話說，一個偏效率，一個偏穩定。\u003C\u002Fp>\u003Cp>這也反映了整篇論文的核心態度：不是追求一個萬用答案，而是承認不同訓練階段、不同資料集，可能需要不同的實作型態。對開發者來說，這比單純說「某法更好」更有參考價值。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>理論上，作者給出的主張很明確。根據 gradient flow 分析，exploitation pole 要逃離 cold start，需要 Ω(1 \u002F p\u003Csub>0\u003C\u002Fsub>) 的時間；density-estimation pole 則是 Θ(log(1 \u002F p\u003Csub>0\u003C\u002Fsub>))。這代表如果初始成功率 p\u003Csub>0\u003C\u002Fsub> 很小，兩者的訓練時間尺度差很多。\u003C\u002Fp>\u003Cp>白話說，模型一開始越不會做，越接近 RLVR 的方法就越可能慢到像沒動；越接近 density estimation 的方法，越有機會更快把模型拉出低谷。這正是 Tsallis loss 連續體存在的理由：它不是硬切到某一端，而是提供一個可調整的中間地帶。\u003C\u002Fp>\u003Cp>實驗部分，作者在 FinQA、HotPotQA、MuSiQue 上做了測試。摘要公開的結果有限，但已經能看出幾個重點。首先，GARL 在 q=0.75 時，能明顯緩解 cold-start stalling，甚至在 GRPO 完全失敗的情況下仍能逃出冷啟動。\u003C\u002Fp>\u003Cp>其次，在 warm-start 的情境裡，GARL 在低 q 時對 FinQA 表現最好，且訓練穩定。這說明當模型本來就有一點基礎時，偏 exploitation 的設定不一定吃虧，反而可能更有效率。\u003C\u002Fp>\u003Cp>但結果不是全線勝利。HotPotQA 和 MuSiQue 上，GARL 會在訓練中變得不穩定。這時作者指出，PAFT 在 q=0.75 時能提供穩定梯度。特別是在 HotPotQA 上，摘要提到它拿到 47.9 maj@16，且比 GRPO 高出 +14.4。這是來源中唯一明確公開的數字；摘要沒有提供完整 benchmark 表，所以不能把它解讀成完整評測結論。\u003C\u002Fp>\u003Cp>這樣的結果其實很有意思。它不是在證明某個 loss 天生全能，而是在證明同一個 loss family 可以透過不同 estimator，在不同情境下展現不同的優勢。GARL 比較像衝刺型，PAFT 比較像穩定型。\u003C\u002Fp>\u003Ch2>對開發者有什麼影響\u003C\u002Fh2>\u003Cp>如果你在做推理模型的後訓練，這篇論文最實際的提醒是：監督訊號要不要「更快進場」，不是抽象問題，而是會直接影響訓練能不能離開死區。尤其當你的訓練只看最終輸出、而且一開始正確率很低時，這個問題會被放大。\u003C\u002Fp>\u003Cp>這也提供了一個更好用的思考方式。與其只問「我要用 RL 還是 SFT」，不如問「我要把監督放大到\u003Ca href=\"\u002Fnews\u002Fwhy-gpt-55-is-not-the-victory-lap-openai-wants-you-to-believ-zh\">什麼\u003C\u002Fa>程度」。Tsallis loss 連續體把這個問題變成可調參數，而不是非黑即白的選擇。\u003C\u002Fp>\u003Cp>對實作來說，q 可以被看成一個真正的 tuning knob。偏低的 q 可能比較穩，也更像 RLVR；偏高的 q 可能更快脫困，但也更容易把噪聲、甚至不穩定一起放大。作者的結果暗示，中間值有機會是甜蜜點，但最佳值會跟你的資料、任務、以及主要失敗模式有關。\u003C\u002Fp>\u003Cp>不過，這篇摘要也有明顯限制。它沒有公開完整 benchmark 細節，也沒有給出完整的 ablation、實作設定，或更細的 estimator 比較。除了 bias 公式、variance\u002Fstability 的定性差異，以及少數公開數字外，能確認的資訊有限。也就是說，它提供的是一個很有力的理論與方法框架，但還不是一份可以直接照抄的完整 recipe。\u003C\u002Fp>\u003Cp>即便如此，這篇論文的價值仍然很高。它把一個常見但模糊的訓練痛點，轉成一個可分析、可調整的優化問題：到底要多快讓模型對監督「下決心」。對做 reasoning system 的團隊來說，這種框架比單純說 RL 不穩、SFT 太硬，更接近可以落地的工程語言。\u003C\u002Fp>\u003Cp>如果你的模型卡在冷啟動，這篇工作的訊息很清楚：問題未必是監督太少，而可能是監督「放大得不對」。Tsallis loss 提供了一條中間路線，讓你可以在速度、噪聲、穩定性之間做更細的取捨。\u003C\u002Fp>","這篇論文用 Tsallis q-logarithm 搭出一條損失函數光譜，想解決推理模型在冷啟動時卡住的問題。它把 RLVR 和 latent trajectory 的 log-marginal-likelihood 串成可調參的連續體。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2604.25907",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1777443006073-083j.png","research","zh","dbcae3bd-5f14-4baf-9604-0011f7382732",[17,18,19,20,21,22],"Tsallis loss","reasoning models","RLVR","cold-start","GARL","PAFT",2,"2026-04-29T06:09:37.277494+00:00","2026-04-29T06:09:37.068+00:00",{"tags":27,"relatedLang":37,"relatedPosts":41},[28,30,32,34,36],{"name":19,"slug":29},"rlvr",{"name":21,"slug":31},"garl",{"name":17,"slug":33},"tsallis-loss",{"name":18,"slug":35},"reasoning-models",{"name":20,"slug":20},{"id":15,"slug":38,"title":39,"language":40},"tsallis-loss-reasoning-model-training-en","Tsallis loss for faster reasoning-model training","en",[42,48,54,60,66,72],{"id":43,"slug":44,"title":45,"cover_image":46,"image_url":46,"created_at":47,"category":13},"33c9a55c-a8c0-4367-b742-f4567d1e98e3","mathematicians-warn-ai-could-distort-math-zh","數學界警告 AI 會扭曲證明標準","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780504386035-080l.png","2026-06-03T16:32:29.415063+00:00",{"id":49,"slug":50,"title":51,"cover_image":52,"image_url":52,"created_at":53,"category":13},"5c3cb90f-7efd-426f-8c09-32a303f82be9","humanoid-gpt-zero-shot-motion-tracking-zh","Humanoid-GPT：用 GPT 擴大動作追蹤","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780469319284-znpc.png","2026-06-03T06:47:34.463464+00:00",{"id":55,"slug":56,"title":57,"cover_image":58,"image_url":58,"created_at":59,"category":13},"e3a4b0f7-03b3-43c6-ae51-906b337c5c2f","ipt-vlms-hidden-space-reasoning-zh","IPT 讓 VLM 更會想像隱藏空間","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780468394735-1k40.png","2026-06-03T06:32:46.560029+00:00",{"id":61,"slug":62,"title":63,"cover_image":64,"image_url":64,"created_at":65,"category":13},"5fca9fe5-af66-47ce-85f0-0ffe1bee30b9","neuron-selectivity-changes-with-scale-zh","神經元選擇性會隨規模改變","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780467514422-7oss.png","2026-06-03T06:17:44.126547+00:00",{"id":67,"slug":68,"title":69,"cover_image":70,"image_url":70,"created_at":71,"category":13},"9f9c2a61-d058-4c62-bb88-106e683657f0","nasa-landsat-wild-disturbances-rising-zh","NASA Landsat：野火與風暴變多","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780448581102-owp0.png","2026-06-03T01:02:37.513233+00:00",{"id":73,"slug":74,"title":75,"cover_image":76,"image_url":76,"created_at":77,"category":13},"3479bdee-21fb-4fda-9572-9394caba01b0","adacodec-predictive-visual-code-video-mllms-zh","AdaCodec 用預測碼壓縮影片 token","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780381988591-z2sp.png","2026-06-02T06:32:28.249023+00:00",[79,84,89,94,99,104,109,114,119,124],{"id":80,"slug":81,"title":82,"created_at":83},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":125,"slug":126,"title":127,"created_at":128},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]