arXiv stat.ML· Michael Kirchhof, Eleonora Gualdoni, Andrew Szot, Khashayar Gatmiry, Aryo Lotfi, Abbas Kazerouni, Omar Attia, Sanjoy Chowdhury, Alexander Toshev·· 2026-09-30AI 评分50
RLTL;DR：通过内化自生成反馈实现模型自我改进
RLTL;DR: Self-improvement by Internalizing Self-generated Feedback
AI 导读
研究团队提出 RLTL;DR 方法，让模型在任务失败后根据验证器反馈自生成精炼洞见并反向传播内化，解决了无成功范式下的自我强化学习冷启动问题。在 Pass@128 为 0 的高难度工具调用与编码测试中，该方法使 Qwen 3.5 9B Thinking 在评估阶段无上下文洞见时的 Pass@1 提升至 12%-13%，而标准 GRPO 仅为 0%-1%。
来源：arXiv stat.ML · arxiv.org