提出执行后学习与动作特定信用分配方法

2026年10月14日，arXiv Artificial Intelligence 刊出研究，提出“执行后学习”框架：将程序执行结果作为中间状态，使同一策略在单次调用推理下获得额外的纠正性学习交互，并用动作专属信用分别给初始动作和纠正动作分配信用。在 Image-to-TikZ 的 945 个留出样本上，单次调用渲染成功率达 92.70%，高于继续单阶段 GRPO 训练相同迭代次数后的 88.25%。研究称这种执行后纠正能力无法由继续单阶段训练复现，且依赖中间状态，代码已开源。该报道为目前唯一来源，未出现与早先报道矛盾之处。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。