arXiv · cs.AI· Sheldon Yu, Tong Yu, Nikki Lijing Kuang, Zhendong Chu, Zhenwei Tang, Sungchul Kim, Lina Yao, Julian McAuley, Junda Wu·· 6 小时前
RSHD通过Grounding Hindsight从失败尝试中恢复GRPO训练监督
Failure Is the Mother of Success: Recovering Supervision with Grounding Hindsight
arXiv:2610.21018v1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：Sheldon Yu, Tong Yu, Nikki Lijing Kuang, Zhendong Chu, Zhenwei Tang, Sungchul Kim, Lina Yao, Julian McAuley, Junda Wu
研究任务与主要进展
作者提出Replay-Selected Hindsight Distillation（RSHD），让策略在看不到参考答案的情况下为失败尝试生成纠正提示，再通过重放判断该提示是否带来更频繁的成功；通过的提示会被蒸馏回普通提示策略。
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