标签
本文提出了HeuristicEdu，一个通过监督预热和带有启发式奖励的GRPO将Qwen2.5-7B对齐为苏格拉底式导师的流程，并在新数据集SocraticEdu上进行评估，展示了改进的脚手架有效性和减少的关键词泄露。