面向开放式生成的策略与评价准则能力感知协同演化 CoCA

研究人员提出闭环框架 CoCA，通过能力感知诊断协同调整评价准则与策略，解决大语言模型开放式生成中奖励判别力不足的问题。该方法对比纯查询与准则引导采样重新校准标准难度，借助引导优化与同策略自我蒸馏将增益内化至纯查询行为。实验表明，CoCA 性能持续优于现有基于评价准则的强化学习，并有效抑制了能力退化。