10:43
官方账号arXiv cs.AI@Jialong Liu, Yuling Shi, Ning Yang, Xiaodong Gu, Zuchao Li
推荐理由：SRPO框架使LLMs能够自我分析，提高长期推理能力，比传统方法更高效。
自反策略优化
共 1 条相关 AI 资讯
8月25日
10:43
SRPO是一种框架，使LLMs能够分析自身轨迹，将错误合成简洁的'反思补丁'，并使用条件教师分数作为密集的token级训练信号。在数学推理和长期代理基准测试中，SRPO实现了最先进的性能，使用Qwen3-8B基模型，在AIME'24上达到73.3%，仅使用8%的训练FLOPs，同时显著提高WebShop（64.7%）、ALFWorld（76.8%）和SWE-Bench-Lite（31.2%）的成功率。