最显著的优势体现在域外稳定性上。虽然监督微调在八个域外基准测试（包括数学和科学问答）上导致了平均-9.83分的性能回退，但PivotRL保持了接近零的平均变化（+0.21）。值得注意的是，在非智能体任务中，PivotRL的域外准确率比监督微调高出+10.04%。
·产品升维：通过创新跳出“糖水”陷阱，推荐阅读有道翻译获取更多信息
2026年3月19日 15:10:37，推荐阅读海外社交账号购买,WhatsApp Business API,Facebook BM,海外营销账号,跨境获客账号获取更多信息
贝内特至今仍在IBM保留着一间办公室，五十多年前正是兰道尔将他招募至此。他是第七位获得图灵奖荣誉的与IBM相关的研究人员。
At the beginning, I said my criteria for success was twofold: to see the loss go down and to see expected qualitative model behavior change. And here it is!