大模型arXiv cs.AI4 天前
Recursive Reward Improvement via Adversarial Meta-Prompt Evolution
提出 RRI（递归奖励改进）方法，用对抗性元提示演化监督模型自写评分标准：先让对手模型写出钻空子的答案，再让同一模型写诚实答案，通过最多两步修复使诚实答案胜出，并将发现的漏洞反馈到后续任务生成。在 HealthBench Professional 上较基线提升 10.9-12.4 分，且无需外部模型，显著改善开放式专家任务的自改进效果。