待验证50% 置信事件精确时间
一项新研究通过生成简洁的 if-then 规则，并用 Group Relative Policy Optimization（GRPO）训练 Qwen2.5 和 Llama3 系列模型，在四个 ToM 基准测试上评估效果。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/15
首次发现
有效期至：2027/1/13
来源
强化学习让大模型学会心智推理：从感知到行动的规则学习
rss2026/10/14
涉及实体
相关事实
待验证实验比较了直接提示、监督微调、思维链推理以及 GRPO 训练下的规则生成四种策略，GRPO 配合规则生成在四个 ToM 基准上均取得最优表现。76% 相似待验证SWE-bench Verified 的评分机制依赖自动化测试套件，模型提交代码补丁后系统运行预定义单元测试来判断是否通过70% 相似待验证研究在一个深度递归模型上使用多种规则组合进行训练，并在四个不同新颖程度上测试其表现。69% 相似待验证行为回归测试借鉴了传统软件工程中的回归测试理念：每当修改提示词时，自动运行一组预定义的测试用例，验证模型在关键行为维度上没有退化69% 相似待验证研究团队在共享测试集上评测了有监督信息抽取模型、零样本大语言模型和经过微调的基于LLM的抽取方法三类主流方案68% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1038136API
curl https://kongchang.com/api/v1/knowledge/claims/1038136MCP
get_claim(id=1038136)