RLSVR：任务变换让开放式LLM自我改进获得可验证奖励
burny_tech · x · 2026-08-15
论文提出RLSVR，将RLVR（可验证奖励强化学习）从数学和代码扩展到开放任务。通过任务变换使奖励可验证：使用SpyRL实例化，采用信息不对称的自博弈——一个智能体获得降级上下文，所有智能体执行相同任务后投票找出间谍。已知间谍身份提供精确的检测器奖励，投票数成为相对表现奖励。该方法无需奖励模型或外部评判，将主观输出质量转化为自生成的RL信号。
「研究」频道最新
- 传 Nick 可解释性研究重大突破,好到 Yudkowsky 也得下调 p(doom) — QuintinPope5 · 2026-10-16
- 又一美国大厂采用混合滑窗注意力,OLMo 架构引热议 — saurabh_shah2 · 2026-10-16
- JHU 教师 Laurent Younes 免费教材《机器学习导论》:覆盖优化到生成模型 — TheTuringPost · 2026-10-16
- RFdiffusion3 登上 Science,同步开源生物分子设计 agent 框架 Chaperone — anshulkundaje · 2026-10-16
- 微软论文：给路由器看会话历史，多轮 Agent 任务成功率多提 3.3 分 — dair_ai · 2026-10-16
- 研究者痛批烂评测泛滥：每个人都该亲手做一次好 eval — gabriberton · 2026-10-16