RLTL;DR: Self-Improvement by Internalizing Self-Generated Feedback

强化学习中可验证奖励（RLVR）的通用范式是让代理多次尝试任务，并优化以实现成功。在自我改进领域，任务难度极高，代理成功率低甚至为零，且缺乏教师模型或示例解决方案可供提炼。本文引入RLTL;DR。每次失败后，我们展示验证器输出的策略，并允许其以单句TL;DR形式写出反馈。下一轮 rollout 是在条件约束下进行的。