arXiv · AI· Jakub Macina, Manu Kapur, Mrinmaya Sachan·· 2026-10-06AI 评分39
多轮强化学习教 LLM 学会教学:Eduardo 训练配方与近迁移后测
The Assistance Dilemma: Learning to Teach via Multi-Turn Reinforcement Learning
AI 导读
研究提出掩码近迁移后测,让学生在被遮蔽导师话语的情况下解答未见变体题,从而只奖励学生自己写出的学习增益,并引入事实正确性与不直接给答案两道二元奖励门控。
来源:arXiv · AI · arxiv.org