基于特定动作信用分配的执行后学习方法

研究人员提出“执行后学习”方法，将代码执行结果作为中间状态支持同一策略的二次学习，并通过特定动作信用分配分别评估初始动作与纠错动作。在 Image-to-TikZ 测试集的 945 个保留样例上，该方法单次调用渲染成功率达到 92.70%，优于同等训练迭代下单阶段 GRPO 的 88.25%。该方法不仅增强了单次调用推理能力，还赋予模型基于中间状态的执行后纠错能力，相关代码已开源。