RL 框架让 LLM 自学教科书，证明准确率从 51.5% 升至 79.5%

_akhaliq · x · 2026-11-13

HuggingPapers 转发的一项研究提出基于教科书自学习的 RL 框架：模型通过细粒度奖励自主检索、研读长篇教材并应用知识解题。

框架分两个阶段：先用「Textbook-based Problem-Solving」让策略模型从结构化教材中自学（Study→Reason→Exercise），再进入 RL 循环，由 Judge 对证明结果打分给出奖励。配图基准显示，Self-Learning RL 在 ID-Book 上从 39.0 提到 65.5，OOD-Book 达 85.2，OOD-Subject 达 86.7，均显著超过 Base 与 No-Book RL；证明准确率整体从 51.5% 提升至 79.5%。