我们优化的是训练过程，还是模型的推理能力？

文章讨论大语言模型强化学习中训练指标与推理表现不一致的问题：训练损失下降、奖励提高或策略持续更新，未必在真实推理环境中带来同等提升，原因可能包括采样策略、数值精度、推理引擎和系统配置差异。MemoraX AI 联合天津大学和阿里巴巴在 NeurIPS 2026 研究项目中提出，应把推理阶段的单调策略作为真实优化目标。

AI推荐理由 文章提出 LLM 强化学习中训练指标提升未必转化为推理能力提升的问题，并介绍 MemoraX AI 与天津大学、阿里巴巴在 NeurIPS 2026 研究项目中探讨训练与推理不匹配、直接优化推理策略的思路。新信息是“单调推理策略”作为真实优化目标的提法；局限是正文片段未给出实验设置、数据和结论，且带有团队自述性质，需谨慎看待。