新論文 RLTL;DR：失敗後自寫 TL;DR 反饋做自我改進

Apple Machine Learning Research10/1 01:00官方公告研究

新論文 RLTL;DR 提出一種自我改進方法：模型每次嘗試失敗後，把驗證器輸出展示給它，讓它自己寫一條 TL;DR 式反饋，下一次 rollout 以這條反饋為條件。它針對 RLVR 的侷限——RLVR 要求多次嘗試並只向成功樣本最佳化，當任務難到成功率接近零、又沒有教師模型或示例解可蒸餾時就失效。論文發布於 2026-10-01，原文摘要未給出基準或具體數字。

對關心 coding agent 與本地開源模型後訓練的讀者，這是一種在既無教師模型也無成功樣本時仍能自我改進的 RLVR 替代思路，可作為評估本地模型訓練路線的參考。