arXiv · cs.AI· Guanlan Yue·· 18 天前AI 评分37
MENTOR：通过 on-policy 教学式干预从失败中学习，缓解 RLVR 零奖励坍缩
MENTOR: Learning from Failure with On-Policy Pedagogical Intervention
来源与原文
arXiv · cs.AI
作者：Guanlan Yue
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.13594v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
arXiv 论文提出多智能体框架 MENTOR，针对 RLVR 训练中的“零奖励坍缩”问题，实时诊断失败根因并动态生成针对性教学提示词，引导学习智能体的下一次尝试。它作为即插即用模块可无缝集成到 GRPO 等策略优化管线，无需改动训练基础设施。数学与代码生成实验显示其优于 SOTA 基线，Llama-3.2-3B-Instruct 相对基座模型平均相对提升最高达 78.3%。
来源：arXiv · cs.AI · arxiv.org