提出RLRT方法,通过在正确推理轨迹上反转自蒸馏教师信号以强化学生模型的自主推理Token,将信息不对称转化为有价值的探索机制,在多个数学推理基准上显著提升了大语言模型的后训练性能。
机构:Microsoft
来源:arXiv 2605.10781 | AI4Papers 论文推荐平台