arXiv · AI· Guanlan Yue, Hang Yu, Xiaoyong Huang, Ruipeng Li, Wei Zhang, Bingchang Liu, Rui Wang·· 2026-10-12AI 评分38
MENTOR:基于 On-Policy 教学干预从失败中学习的框架
MENTOR: Learning from Failure with On-Policy Pedagogical Intervention
AI 导读
MENTOR 提出 on-policy pedagogical intervention 范式,通过多智能体实时诊断失败原因并生成教学 prompt,作为 plug-and-play 模块集成至 GRPO 等训练流程。 在 Llama-3.2-3B-Instruct 上,MENTOR 相比基础模型取得最高 78.3% 的平均相对增益,有效缓解 zero-reward collapse 问题。
来源:arXiv · AI · arxiv.org