arXiv · cs.AI 人工智能· Vishvesh Bhat, Muhammad Ahmed Mohsin, Asad Aali·2026-11-13 13:00· 5 小时前AI 评分68

PLVR 将专家轨迹蒸馏为可复用程序，8B 模型在 τ²-Bench Telecom 成功率从 43.0% 升至 91.2%

Program Learning with Verifiable Rewards: Distilling Expert Traces into Programs

AI 导读

作者提出 Program Learning with Verifiable Rewards（PLVR），在不更新模型权重的前提下把专家轨迹蒸馏为可复用程序：前沿模型将轨迹中的重复操作抽象为带类型的原语和规则，搜索结合参考动作与训练任务校验进行组装，冻结的小模型执行原语并由确定性验证器检查输出。