执行后学习：基于动作特定信用的策略优化
原文标题：Learning after Execution with Action-Specific Credit
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出「执行后学习」范式，将程序执行结果作为中间状态，支持同一策略的额外学习交互，并设计动作特定信用分配：初始动作取最终轨迹结果信用，纠正动作取相对中间状态的改进信用。在 Image-to-TikZ 的 945 个留出样本上，单次调用渲染成功率达 92.70%，高于继续单阶段 GRPO 的 88.25%。
- 问题
- 程序执行结果只当终局奖励，未用于进一步学习，浪费可执行任务的学习结构。
- 方法
- 把执行结果作为中间状态，按动作角色分配信用：初始动作取最终结果、纠正动作取相对改进。
- 结果
- Image-to-TikZ 945 样本单次渲染成功率 92.70%，高于继续单阶段 GRPO 的 88.25%。
- 影响
- 做代码/可执行任务 RL 的团队可借此提升单次推理成功率并获纠正能力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
「执行后学习」把执行结果当中间状态，Image-to-TikZ 单次调用成功率 92.70%。
- •现有做法把执行当终端反馈，只打分不产生新的学习交互
- •新范式将执行结果作为中间状态，为同一策略提供额外学习动作
- •动作特定信用：初始动作取最终轨迹结果信用，纠正动作取相对中间状态的改进信用
- •945 个留出样本上单次调用渲染成功率 92.70%，高于继续单阶段 GRPO 的 88.25%
- •纠正能力无法由继续单阶段训练复现，且依赖中间状态；不同信用定义会改变组内相对偏好
为什么重要：对代码、绘图等可执行生成任务，说明终端奖励之外还藏着可被训练利用的结构，可能改变 RL 后训练的数据使用方式。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。