待验证50% 置信基准精确时间
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。
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。76% 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。72% 相似待验证Grok 4.5在数据清洗、高质量筛选基础上结合强化学习完成终点训练，以提升真实工程项目中的长期推理能力71% 相似待验证GRPO天然适合可验证任务，在数学、代码等场景可用规则化奖励替代复杂奖励模型69% 相似待验证D-GRS 在每个节点生成 K 个条件独立的候选，并按生成顺序依次测试，第一个通过测试的候选被选中69% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1038137API
curl https://kongchang.com/api/v1/knowledge/claims/1038137MCP
get_claim(id=1038137)