提出GracefulRL训练模型优雅失败

研究者提出 GracefulRL，通过重塑优化景观训练语言模型"优雅失败"：在尽可能保留任务求解能力的同时，学会在行动不可靠时执行安全回退策略。该方法仅依赖结果级奖励信号，无需标注何时回退，也无需 verifier 等额外推理机制。跨多种任务与规模，模型能选择性地在成功无望时回退。

摘自 arXiv：cs.LG

还没有足够的连续观测数据，暂不绘制趋势。