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
- AlphaFold 背后是五十年实验数据，纯第一性原理仿真仍需实验 — vishalmisra · 2026-10-26
- Fern 团队提出「上下文即智能」:预测精度随上下文增至 1000 万 token 持续提升 — bneyshabur · 2026-10-26
- 研究者发现「Forking」现象：训练损失下降验证损失反升 — ZimingLiu11 · 2026-10-26
- DeepMind 试点全球首个双盲 AI 评测，密码学隔离防基准污染 — scychan_brains · 2026-10-26
- 研究揭示合成数据最优比例随算力从10%升至32% — heghbalz · 2026-10-26
- FLASH 仿真框架：单卡 RTX 5090 上分钟级学会布料折叠 — ChongZzZhang · 2026-10-26