arXiv · NLP· Wenhang Shi, Yiren Chen, Zhe Zhao, Jinhao Dong, Wei Lu, Xiaoyong Du·· 4 小时前AI 评分32
Self-Evolution Reasoner: 基于策略内在探索与利用的连续优化
Self-Evolution Reasoner: Continuous Optimization via Policy-Intrinsic Exploration and Exploitation
AI 导读
SEPO 框架通过策略内在的探索与利用，解决强化学习与大语言模型自我进化中的探索瓶颈。 该框架利用标签激发推理，并将新解蒸馏回策略以实现持续演化，在科学、工具使用及逻辑推理领域表现最优。
来源：arXiv · NLP · arxiv.org