标签
LM2LM 通过强化学习训练 LLM 提出有效的语言模型改进方案，以一个冻结的研究世界模型作为可扩展的奖励信号，并周期性地进行真实执行以保证可靠性，使 Qwen3.8-27B 在数据生成成本降低 33% 的情况下超越 GPT-6-sol。