★ 3
RLTL;DR：通过内化自生成反馈实现自我提升
论文针对可验证奖励强化学习（RLVR）在极难任务上成功率低、且无教师模型可蒸馏的问题，提出 RLTL;DR 方法。每次失败后向策略展示验证器输出，让其自行撰写一条 TL;DR 式洞察作为反馈，并以此条件化下一次 rollout，实现自我改进。
Apple Machine Learning Research32 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文针对可验证奖励强化学习（RLVR）在极难任务上成功率低、且无教师模型可蒸馏的问题，提出 RLTL;DR 方法。每次失败后向策略展示验证器输出，让其自行撰写一条 TL;DR 式洞察作为反馈，并以此条件化下一次 rollout，实现自我改进。