policy-aware

LLM-as-a-Tutor提出了一种框架，通过成对比较和添加约束动态调整提示难度，将LLM的角色从评判者扩展为导师，从而提升强化学习中的指令跟随性能。

本文提出POW3R，一种面向策略感知的评分标准奖励框架，用于可验证奖励的强化学习（RLVR）。它表明静态评分标准聚合会错误分配学习信号，而POW3R在多种设置下实现了更快的收敛和更好的性能。