RL微调4B模型碾压GPT-6 Astra
Post-training 4B model with RL to fly Tesla Roadster 21% better than GPT-6 Astra
在Tesla Roadster的飞行特技模拟中，我们让DeepSeek V4.1 Flash、GPT-6 Astra等顶尖大模型担任飞行员。结果令人意外：这些模型在实时决策时全部坠毁，因为它们的推理速度远跟不上0.2秒的控制周期。相比之下，一个仅4B参数、通过强化学习（RL）微调的Qwen3-4B模型，却能以0.09秒的响应速度完成90%的极限动作。即便给大模型无限思考时间，它们在风暴中的表现仍不如这个轻量级RL模型。这证明了在实时控制领域，针对性的RL后训练比单纯堆砌参数更有效。
事实证明，未来确实有飞行汽车。