arXiv · Machine Learning· 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56
RAL：仅凭参考答案学习推理，探索现代大语言模型的对抗式强化学习后训练
Learning to Reason from Reference Samples Alone: Reinforced Adversarial Learning for Modern LLM Post-Training
AI 导读
Albert Bou 等人提出 Reinforced Adversarial Learning（RAL），利用联合训练的 LLM judge 从参考答案中学习奖励信号，仅凭参考答案对推理模型进行 on-policy 后训练。
来源：arXiv · Machine Learning · arxiv.org