RLTL;DR：通过内化自生成反馈实现自我改进

RLTL;DR 是一种让策略在每次失败后根据验证器输出自动生成 TL;DR 反馈的方法，并将所有历史洞察串联作为后续 rollout 的条件，同时通过反向传播内化任务到洞察的映射，从而实现自我改进。该研究于 2026-09-30 发布于 arXiv · Statistics Machine Learning。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。