R-Quest 用问题反馈维持推理模型自进化

针对推理模型反复自训练后性能崩溃的问题，研究者提出 R-Quest 方法：先训练 solver 识别并拒绝无效问题，再用其判断引导提问者奖励并过滤训练数据，同时用冻结基座模型比较问题对以提供新颖性反馈。 该方法在数学推理、通用推理和代码生成共 12 个基准上取得最高平均性能，十轮自我进化中保持稳定增益，最终轮超过 R-Zero 17.32 分。

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。