追逐即课程，捕获锚定奖励：用于零数据 LLM 推理的追逃自博弈

英文标题：The Chase Is the Curriculum, the Capture Anchors the Credit: Pursuit-Evasion Self-Play for Zero-Data LLM Reasoning

论文提出一种面向零数据大语言模型推理的追逃式自博弈方法。作者指出，带可验证奖励的强化学习虽已成为提升 LLM 推理能力的主流方案，但通常依赖大规模人工整理的任务数据集。零数据自博弈可减少这种依赖，而该研究旨在进一步改进现有方法对学习过程与奖励归因的处理。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB