arXiv · AI· Xun Lu, Shumeng Yang, Xinrui Wang, Songjun Tu, Linjing Li, Daniel Dajun Zeng·· 2026-10-16AI 评分40
SIF 强化学习方法:结合比较奖励构建与选择性策略更新以提升推理
Learning to Reason with Selective Internal Feedback
AI 导读
SIF 方法结合比较奖励构建与选择性策略更新,在 12 个数学与科学推理基准上,最终检查点平均准确率比 Intuitor 最优验证检查点高 4.71 个百分点(基于 Qwen2.5-Math-1.5B)。
来源:arXiv · AI · arxiv.org