MIT新研究：大模型加噪声就能替代GRPO/PPO调参

背景：传统上，专家模型需要通过梯度下降或强化学习等复杂调参方法训练获得。研究目的：MIT研究提出，预训练模型权重空间周围密集存在大量“专家模型”（神经丛林现象），无需复杂调参，通过简单随机扰动和集成即可获得高性能。结论：基于此提出RandOpt算法，通过添加高斯噪声、选择最佳扰动模型并集成投票，在多项任务上达到或超越GRPO/PPO等传统方法性能，且模型越大效果越显著，但依赖优质预训练且目前适用于有明确答案的任务。