arXiv · AI· Albert Bou, Javier Valdes-Aleman, Jon M. Laurent, Samuel G. Rodriques, Andrew D. White, Michaela Hinks, Siddharth Narayanan·· 8 小时前AI 评分25
强化对抗学习（RAL）：仅用参考答案驱动 LLM 后训练
Learning to Reason from Reference Samples Alone: Reinforced Adversarial Learning for Modern LLM Post-Training
AI 导读
提出强化对抗学习（RAL）方法，利用共训练 LLM 评审者将参考答案作为唯一奖励信号，驱动推理 LLM 后训练。 RAL 在整数乘法等三个可验证任务中达到直接 RLVR 效果；在 NIH 基金提案摘要生成中，人类科学家与 LLM 评审组认为其生成结果比前沿 LLM 基线更难被区分。 为缺乏显式奖励的科学及高价值领域提供 LLM 后训练路径。
来源：arXiv · AI · arxiv.org