SocraticPO: Policy Optimization via Interactive Guidance

En 3 lignesSocraticPO est un framework de policy optimization pour LLMs qui augmente les rollouts RL avec des guidances en langage naturel de style socratique. Un enseignant diagnostique les erreurs et fournit des corrections concises, associées à une décroissance de récompense pour éviter que le modèle ne dépende de l'aide. Testé sur SciKnowEval, il surpasse les baselines RL et auto-distillation.

Résumé généré par Claude — vérifié par l'humain