概念Self-Rewarding RL / 自反馈RL
自反馈强化学习
一种强化学习方法，模型利用自身或评审模型对输出进行打分以替代人工标注，通过偏好优化或策略梯度迭代长程任务策略
核心事实
时间轴 (近 90 天)
10月18日
DeepSeek官方称V4.1-Flash使用自反馈强化学习（Self-Rewarding RL）将搜索与抓取等任务作为训练目标。
待验证50%
10月17日
DeepSeek 表示 V4.1-Flash-1017 使用带自反馈的强化学习来推动端到端项目工作，包括游戏创作、3D 建模和长智能体运行。
部分验证65%