MaxRL propõe verossimilhança para RL com recompensa binária
Publicado em 9 de fevereiro de 2026, o post apresenta o MaxRL: rollouts adicionais aproximam o treinamento por máxima verossimilhança com amostragem não diferenciável. Segundo o texto, o método reduz a subponderação de prompts difíceis e chega a até 20× mais eficiência em tempo de teste que o GRPO.
Em post publicado em 9 de fevereiro de 2026, o MaxRL é descrito como um método para aprendizado por reforço com recompensa binária. Ele usa rollouts adicionais para aproximar o treinamento por máxima verossimilhança em situações com amostragem não diferenciável.
Segundo o post, a abordagem reduz a subponderação de prompts difíceis e alcança até 20× mais eficiência em tempo de teste que o GRPO. O texto aponta possível interesse para engenheiros que avaliam otimização de recompensas e escalabilidade de compute em sistemas de RL. Consulte o post original e verifique nele as condições experimentais e a métrica que fundamentam a comparação.