[论文品读]强化学习教师的推理时扩展

[LG] Reinforcement Learning Teachers of Test Time Scaling  
E Cetin, T Zhao, Y Tang  
[Sakana AI]  
本文通过提出强化学习教师（RLTs）框架，创新性地将RL教师模型的任务设定为在已知问题和答案的前提下生成优质解释，并利用基于学生理解度的密集奖励进行训练，从而高效地生成了无需后处理的高质量蒸馏数据，不仅显著提升了下游学生模型在复杂推理任务上的性能，甚至在零样本跨领域迁移和RL冷启动方面取得了超越传统方法的反直觉成果。https://arxiv.org/abs/2506.08388