LLM-as-a-Coach 把评审反馈变成可迁移经验知识
iScienceLuvr · x · 2026-07-21
这篇论文提出 Experiential Learning (EL)，把常见的 LLM-as-a-Judge 反馈模式改造成 LLM-as-a-Coach。
核心做法不是把反馈压成一个标量分数，而是让 coach 对每个 on-policy 回复进行评估，并把这些评估蒸馏成可迁移的“经验知识”；这些知识再去条件化 teacher model，最后通过 on-policy context distillation 被策略吸收。
作者声称，相比传统的 rubric-based RL，EL 在留出集和未见过的开放式任务上表现更好，也比单纯的标量奖励更能保留高质量答案之间的细粒度偏好，同时对 reward hacking 更不敏感。
所属事件:微软提出LLM-as-a-Coach以经验学习优化训练(4 条相关)→
「研究」频道最新
- Exponential 发布 RepoInject 与 BrowserInject 基准，测 prompt injection 防护 — maksym_andr · 2026-10-27
- Gemini 4.1 Flash 反常识:被要求控制思维链时反而更准 — dfrsrchtwts · 2026-10-27
- Redwood 研究:CoT 可控性评测严重欠激发,简单提示优化可提升 2-3 倍 — dfrsrchtwts · 2026-10-27
- 用 BeamZ 逆向设计光学系统跑通 MNIST 分类 — S_Conradi · 2026-10-27
- DeCert 框架无需参考答案评估生成式奖励模型的论证质量 — Guiquan Sun · 2026-10-27
- 新研究：VLM harness 同样是组合泛化器,可拆解复杂图像问题 — a1zhang · 2026-10-27