rewrite-grammar

本文研究强化学习后训练是否能够将原始技能组合成更高层次的组合策略，使用一个完全可观测的重写语法环境。作者发现，RL通过分阶段的组合机制重新组织原始能力，而拒绝微调则因产生大量无效的捷径式重写而停滞不前。