技術
研究 arXiv AI Research 2026-10-14 13:00
失敗した解法にヒントを挟んで学習
原題 Splicing Hints into Reasoning Traces: Learning from Demonstrator Failures
検証可能な報酬による強化学習は数学推論を伸ばすが、正答でも導出が正しい保証はなく、証明問題では難しい。本研究は教師の失敗した推論過程にヒントを差し込んで学ぶ手法を提案する。要旨は途中までで、結果は不明。
論点
答えが合えば推論過程は問わなくてよいか
- コメントを読み込み中…
議論のヒントを見る
賛成側の視点
検証できるのは答えだけだ。過程の審査にこだわるとスケールしない。反対側の視点
偶然の正解を褒めるのは危険だ。過程が間違った推論は必ず破綻する。
みんなのコメント 件
コメントを書く