待验证50% 置信事实精确时间
LM2LM方法通过强化学习训练LLM生成有效的模型改进提案，并使用冻结的LLM作为研究世界模型（RWM）来预测提案收益作为奖励信号。
1
来源数
50%
置信度
长期有效
时效性
2026/10/19
首次发现
来源
LM2LM：语言模型学会自我改进，开启递归自我提升新路径
rss2026/10/16
涉及实体
相关事实
待验证LM2LM定期执行当前策略排名靠前且被RWM高估的提案，并将实际测量结果加入RWM的上下文以校准世界模型。79% 相似待验证LLM 后训练中，模型把本应隐藏的中间推理步骤直接吐给用户，或者在 RL 奖励计算时，本该只评估最终答案的奖励模型看到了推理过程，从而扭曲优化方向。78% 相似已验证现代LLM通过指令微调（Instruction Tuning）和基于人类反馈的强化学习（RLHF）获得了规划、推理和工具使用能力76% 相似已验证LLM在训练时通过最大化下一个Token的预测概率来优化参数，模型学到的是训练语料的统计分布而非人类的审美判断力76% 相似待验证该开发者方案的主要引导模型是强化学习（RL），而非嵌入模型或 LLM75% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1069678API
curl https://kongchang.com/api/v1/knowledge/claims/1069678MCP
get_claim(id=1069678)