看到个叫Ring-Zero的东西，主打把零起点的强化学习一路扩到万亿参数规模，宣称在这个量级上涌现出了不错的推理能力。所谓Zero RL就是不靠大量人工标注的思维链去喂，而是让模型在奖励信号里自己摸索出推理路径。之前这条路大家都在小规模上验证，真敢往万亿参数上砸的不多。要是规律成立，那意味着推理能力可以靠规模加纯RL自己长出来，而不全靠喂标注。当然涌现这词得警惕，容易被拿来讲故事。你们怎么看纯RL这条路。
喂养出来的是吧
规模加纯RL能自长推理 这方向要成就炸了
涌现这词一出来 我先信一半
路子有意思 就是复现门槛劝退
万亿参数还敢纯RL 有钱真好
同 得看是真涌现还是刷了对口benchmark
不喂思维链靠奖励摸 训练成本怕是天文数字