IXThinker·2026-05-20 14:50

大模型自教自學強化學習系列研究

如何讓大模型自我指導、迭代演化？京東與中科院信工所連發三篇後訓練論文，圍繞Self-Taught RLVR展開，從三個互補維度探索擺脫人工標註與外部獎勵的自主進化路徑。

三篇論文三種自我

系列研究提出三個互補視角：RLSD利用特權信息增強的知情自我自教；NPO聚焦時序自我，以近未來的反饋教導當前策略；第三篇則探索走另一條路的平行自我。