12:25
官方账号arXiv cs.AI@Jinhe Bi, Chennan Zhou, Zengjie Jin, Aniri, Shuo Lu, Wenke Huang, Hu Cao, Xun Xiao, Zhihong Zhu, Volker Tresp, Fei Shen, Yunpu Ma, Tat-Seng Chua
推荐理由：ReflectRL 把失败样本当教材，让模型先反思再直接推理。在 9 个基准上稳定提升，还挺轻量。
ReflectRL
共 1 条相关 AI 资讯
8月5日
12:25
ReflectRL 提出从专家模型的失败轨迹中学习推理，将失败样本视为反思对象而非模仿示范。该方法基于“反思优势”假设：对难题，反思有缺陷的轨迹比从头求解更有效。ReflectRL 先利用失败轨迹生成反思推理，再通过“反思到直接策略迁移”将能力转移。在 9 个基准、4 种 LLM 骨干和 4 种在线训练方法上，ReflectRL 稳定提升推理性能且开销极小。