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
- Chelsea Finn：机器人 RL 的瓶颈是物理 rollout 成本 — ycombinator · 2026-07-27
- ICML 2026 口头论文复现分数重算后仍偏中等 — profjamesevans · 2026-07-27
- 长周期智能体最终需要不可变事件日志 — sebpaquet · 2026-07-27
- Seed IQ 在 Doom II 里通关，引出 ARC-AGI 之后的评测问题 — Fit_Transition8824 · 2026-07-27
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27
- 一份横跨 ML、系统、NLP 与音频的经典论文清单 — deliprao · 2026-07-27