通过自适应揭示推理依据的强化学习

Apple Machine Learning Research · 2025-10-29T00:00:00Z

我们提出通过部分专家示范进行强化学习（RL）是一种有效的复杂序列生成框架。引入自适应回溯（AdaBack）动态调整监督长度，帮助模型逐步学习推理链。实验表明，该方法在长序列任务中优于传统的监督微调（SFT）和RL，能够解决以往难以处理的问题。