论文提出 R² Flow，用验证器把关技能库编辑实现递归自我改进。
资讯摘要
论文提出 R² Flow，一个递归自我改进框架，在共享状态编排图上交替进行策略学习、独立验证与带版本的技能库更新。该图合并仅独立步骤顺序不同的历史，使流训练能跨等价执行汇集证据；流份额读出与反向策略无关，另有带符号效用排序决定改动哪些技能，由验证器证据判断编辑是否必要。作者报告在问答、数学推理、交互决策与代码生成任务上，其准确率和技能库编辑精度优于启发式编排、强化学习与技能演化基线，并可跨执行器迁移。
要点速读
- 论文指出流训练存在策略坍缩、非负流把频繁使用误当收益、技能库编辑依赖任务奖励三个问题。
- R² Flow 在共享状态编排图上交替策略学习、独立验证和带版本的技能库更新，已提交的编辑会重塑下一轮策略学习的图。
- 作者报告在问答、数学推理、交互决策和代码生成上优于启发式编排、强化学习与技能演化基线，且可跨执行器迁移。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。