arXiv · cs.AI· Guanlan Yue, Hang Yu, Xiaoyong Huang, Ruipeng Li, Wei Zhang, Bingchang Liu, Rui Wang·· 5 小时前
MENTOR通过On-Policy教学干预缓解强化学习零奖励坍塌
MENTOR: Learning from Failure with On-Policy Pedagogical Intervention
arXiv:2610.13594v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Guanlan Yue, Hang Yu, Xiaoyong Huang, Ruipeng Li, Wei Zhang, Bingchang Liu, Rui Wang
研究任务与主要进展
Guanlan Yue等提出多智能体框架MENTOR，在强化学习训练中实时诊断失败原因并生成针对性教学提示，帮助模型应对零奖励坍塌。该模块可接入GRPO等现有策略优化流程；基于论文摘要，作者报告其在数学和代码生成实验中优于先进基线，并使Llama-3.2-3B-Instruct相对基础模型获得最高78.3%的平均相对提升。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org