arXiv Artificial Intelligence· Tianyuan Shi, Canbin Huang, Bei Li, Xin Chen, Xiaojun Quan, Jingang Wang, Qifan Wang·· 18 小时前AI 评分22
SGPO：用策略引导策略优化替代轨迹模仿提升 LLM 推理
Beyond Trajectory Imitation: Strategy-Guided Policy Optimization for LLM Reasoning
AI 导读
针对轨迹级模仿只教模型"答什么"而非"怎么推理"的问题，研究者提出策略引导策略优化（SGPO），从强模型回答中提取结构化策略描述，为每题同时构建自主与策略引导轨迹进行对比。
来源：arXiv Artificial Intelligence · arxiv.org