arXiv · AI· Zhiwei Zhang, Huayu Deng, Fei Zhao, Jiayan Fu, Bin Liang, Kam-Fai Wong, Mu Chuan·· 6 小时前AI 评分44
ROSS：通过选择性监督从自生成回放中再学习
ROSS: Relearning from Self-Generated Rollouts through Selective Supervision
AI 导读
研究者提出 ROSS 方法，通过选择性监督重用自生成回放中的行为经验，无需额外策略回放即可提升模型性能。 该方法在 Qwen3.6-35B-A3B 上将六基准 MOPD 平均分从 58.40% 提升至 62.20%，SWE-bench Verified 从 64.20% 提升至 68.40%。
来源：arXiv · AI · arxiv.org