arXiv Artificial Intelligence· Albert Bou, Javier Valdes-Aleman, Jon M. Laurent, Samuel G. Rodriques, Andrew D. White, Michaela Hinks, Siddharth Narayanan·· 17 小时前AI 评分40
仅凭参考样本学习推理：面向现代 LLM 后训练的强化对抗学习（RAL）
Learning to Reason from Reference Samples Alone: Reinforced Adversarial Learning for Modern LLM Post-Training
AI 导读
研究者提出 Reinforced Adversarial Learning（RAL），用共同训练的 LLM 裁判把参考答案本身变成推理 LLM 在线后训练的唯一奖励。RAL 在整数乘法、代码算术表达式合成和 SMILES-to-formula 翻译三个可验证任务上与直接 RLVR 持平；用于科学摘要生成时，其产出比前沿 LLM 基线更难被人类科学家和 LLM 裁判集成区分。
来源：arXiv Artificial Intelligence · arxiv.org