Apple 提出 RLTL;DR:失败后自写反馈,让 agent 在无解任务中自我改进
Apple ML Research · rss · 2026-10-01
Apple ML Research 发布论文 RLTL;DR,解决自我改进场景下 RLVR 的局限:当任务难度过高、agent 几乎不可能成功、又没有教师模型或示例可蒸馏时,传统「多次尝试、奖励成功」的范式失效。方法是在每次失败后把验证器输出展示给策略,让它自己写一条 TL;DR 形式的洞察作为反馈,并以此为条件引导下一次 rollout,实现从失败中内部化学习。
「研究」频道最新
- FutureSim Q3:LLM 从经验中真实变强,Opus 5.5 登顶 — rickasaurus · 2026-11-16
- NeurIPS 论文:10 张图蒸馏 ImageNet 一个类别的全部知识 — giannis_daras · 2026-11-16
- 为什么方差估计要除以 n-1:两分钟讲透贝塞尔校正 — JFPuget · 2026-11-16
- 商业场景中 Type 2 错误代价常高于 Type 1 — mdancho84 · 2026-11-16
- 风险管理视角:漏检真实风险可致重大损失乃至倒闭 — mdancho84 · 2026-11-16
- Type 2 错误定义:对真孕妇报阴性即漏检真实效应 — mdancho84 · 2026-11-16