arXiv · cs.AI· Rahul Singhal, Karime Maamari, Pradyumna Tambwekar·· 5 小时前
RLPE：用强化学习教大语言模型生成提示词
RLPE: Teaching LLMs to Prompt with Reinforcement Learning
arXiv:2610.19062v1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：Rahul Singhal, Karime Maamari, Pradyumna Tambwekar
研究任务与主要进展
研究者提出强化学习提示工程方法RLPE，通过分析独立任务模型的执行轨迹生成针对其失败模式的提示词，并用任务模型上的提示词性能进行训练。
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