arXiv · cs.AI· Hoang Phan, Minh Pham, Chau Pham, Chinmay Hegde, Trung Le, Qi Lei·· 2 天前
Rationale-Guided Policy Optimization通过自适应理由脚手架提升模型推理能力
Rationale-Guided Policy Optimization: Learning to Reason with Adaptive Rationale Scaffolding
arXiv:2610.07342v1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：Hoang Phan, Minh Pham, Chau Pham, Chinmay Hegde, Trung Le, Qi Lei
研究任务与主要进展
Hoang Phan等提出Rationale-Guided Policy Optimization（RGPO），利用ground-truth rationale作为临时脚手架，帮助模型生成更高奖励的答案，并将这些模型生成方案迁移回原始无引导强化学习设置。
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