Sherpa多轮强化学习框架训练自适应LLM教师

Weixian Xu等提出Sherpa，一个多轮强化学习框架：用具有不同学习偏好的LLM模拟学生构成多种学生类型，训练教师模型直接最大化这些学生的学习结果，使教师能根据学生表现调整教学。 基于论文摘要的结果显示：经Sherpa训练的教师使受指导学生在所有学生类型上的表现平均提高20.5个百分点；在MathTutorBench评测中，总体教学评分从52.5%提升至79.2%；人类成对比较中有79.6%偏好训练后的教师而非基座模型。 当前材料仅提供论文摘要，实验细节和独立复现情况未说明。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。