#监督信号

研究揭示组合式自我改进的三种失效模式

论文系统研究模型将子问题预测组合为难题监督的自我改进路径，识别出子问题预测不可靠、组合引入误差、监督覆盖有限三种失效模式。在编码与推理任务上，组合标签比直接自生成标签更准确；短 SFT 预热加组合式自我改进可启动强化学习。