STRIDE：面向LLM推理的可学习逐步语言反馈

arXiv cs.LG 论文
reinforcement-learning llm-reasoning language-feedback process-supervision trajectory-redirection stepwise-feedback

摘要

STRIDE提出了一种训练框架，使用可学习的逐步语言反馈而非标量奖励来提升LLM推理能力，在多种基准测试上取得了最先进的结果。

arXiv:2605.18851v1 公告类型：新 摘要：强化学习（RL）的最新进展凸显了其在激励大型语言模型（LLMs）推理能力方面的潜力。然而，现有的步骤级方法受限于昂贵的标注，限制了领域覆盖范围，而标量分数进一步造成了信息瓶颈，提供的语义带宽不足以改进中间决策。替代的语言批评方法依赖于固定或外部批评者，提供了更丰富的文本反馈，但缺乏持续策略改进所需的可扩展性。在这项工作中，我们提出了语言驱动的逐步轨迹重定向，称为STRIDE，这是一种新颖的训练框架，将过程监督从标量奖励转变为可学习的逐步语言反馈。具体来说，我们仅使用基于结果的奖励共同训练生成器和生成验证器，消除了外部标注，同时通过联合对齐的验证器训练实现持续的策略改进。验证器的逐步语言批评明确地定位并解释失败，使生成器能够在中间步骤将推理轨迹重定向到替代决策。轨迹重定向设计保证了无害的策略改进，即使在噪声或次优的验证器反馈下也是如此。在多种推理基准上的实验表明，STRIDE显著超越了最先进的基线方法，并在零通过率问题上取得了突破，在这些问题上，标量方法在我们的消融研究中无法提供学习信号，这证明了可学习的逐步语言反馈在增强LLM推理方面的有效性。
查看原文

相似文章

STRIDE-ED: 一个策略驱动的多步推理框架用于同情心对话系统

arXiv cs.CL

STRIDE-ED 是一个为同情心对话系统设计的策略驱动推理框架，它结合了结构化的多阶段推理、数据精化管道和两阶段训练（有监督微调 + 多目标强化学习）来改进情感理解和回复生成。该框架在开源大语言模型上的自动评指标和人工评估上都展示了一致的改进。

强化步骤级推理以实现LLM中的有效自我纠正

arXiv cs.CL

本文介绍了SFS-DPO，一种用于LLM中步骤级自我验证和自我纠正的强化学习两阶段框架，并提出了教师辅助变体SFS-DPO-R。实验表明，在多个LLM上，该方法以更少的训练数据相比先前方法在自我纠正有效性上取得了改进。

STRIVE: Probing Reasoning Limits in Graded Plausibility Generation and Evaluation

arXiv cs.CL

This paper introduces STRIVE, an LLM-based framework for jointly generating and evaluating controlled event sets for psycholinguistic plausibility judgments. Experiments show that adding a global reasoning scratchpad and evaluator-guided refinement substantially improves generation quality, though near-boundary events remain challenging.