使用 RLVR 研究韩语单词链游戏：通过课程学习缓解奖励冲突
机器学习
2025-10-16 v2 计算与语言
摘要
基于可验证奖励的强化学习 (RLVR) 是一种有前景的训练大型语言模型 (LLM) 以获得更强推理能力的方法。这也已被应用于各种逻辑谜题。在本工作中，我们使用 RLVR 研究韩语单词链游戏。我们表明，基于规则的奖励可以自然发生冲突，并通过实验表明课程学习方案可缓解这些冲突。我们的发现激励对多语言环境中谜题任务的进一步研究。
引用
@article{arxiv.2510.03394,
title = {Studying the Korean Word-Chain Game with RLVR: Mitigating Reward Conflicts via Curriculum Learning},
author = {Donghwan Rho},
journal= {arXiv preprint arXiv:2510.03394},
year = {2025}
}
备注
10 pages