arXiv cs.AI· Guanlan Yue, Hang Yu, Xiaoyong Huang, Ruipeng Li, Wei Zhang, Bingchang Liu, Rui Wang·· 1 天前AI 评分27
MENTOR：用同策略教学干预从失败中学习，缓解 RLVR 零奖励崩溃
MENTOR: Learning from Failure with On-Policy Pedagogical Intervention
AI 导读
MENTOR 是一个多智能体框架，通过实时诊断失败根因并动态生成教学提示词，引导学习智能体下一次尝试，从而缓解 RLVR 训练中的零奖励崩溃。它可作为即插即用模块接入 GRPO 等策略优化流程，无需改动训练基础设施。在数学与代码生成任务上，MENTOR 平均相对提升最高达 78.3%（Llama-3.2-3B-Instruct），优于现有最优基线。
来源：arXiv cs.AI · arxiv.org