标签
本文提出了“辩证能力”——即在面对反驳推理时,知道何时坚持或放弃某一立场——并提出了 Self-Disagreement(自我分歧),一种 RLVR 方法:模型自行生成对立论点,并通过对其作出裁决来接受训练,无需第二个模型、奖励模型或人工标注。