English(EN) AIRL-S: Unifying Reinforcement Learning and Search-Based Test-Time Scaling via Adversarial Inverse Reinforcement Learning

新的AIRL-S框架统一了强化学习和基于搜索的方法，用于LLM的测试时扩展

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-24 04:00

研究人员推出AIRL-S，一个新颖的框架，它统一了强化学习和基于搜索的方法，用于大型语言模型的测试时扩展。该方法从参考轨迹中推断出密集的奖励模型，无需标记过程数据，并避免了训练不稳定和奖励攻击等问题。在八个基准上的评估显示，AIRL-S比基础模型平均性能提高了9%，达到了GPT-4o的能力。 AI

影响这项研究为提高LLM在复杂推理任务上的性能提供了一种更强大、更具成本效益的方法。

排序理由该集群包含一篇详细介绍大型语言模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Can Jin, Yang Zhou, Qixin Zhang, Hongwu Peng, Di Zhang, Zihan Dong, Marco Pavone, Ligong Han, Zhang-Wei Hong, Tong Che, Dimitris N. Metaxas · 2026-08-24 04:00

AIRL-S：通过对抗性逆强化学习统一强化学习和基于搜索的测试时缩放

arXiv:2508.14313v4 Announce Type: replace-cross Abstract: Test-time scaling strategies for Large Language Models predominantly rely on either reinforcement learning with sparse outcome rewards or search-based methods guided by static Process Reward Models. However, outcome-based …