大推理模型如何超越人类监督：通往超级智能的 L0-L4 五级路径

一篇 72 页论文提出用 L0 到 L4 五级阶梯刻画大推理模型（LRM）学习过程中人类控制力的逐步退出，并沿奖励与经验两条轴线展开：奖励从逐例人工判断走向可复用验证器乃至无人类反馈的奖励，经验从人工策划任务走向自生成课程、自建环境与自主协同演化。论文同时指出奖励黑客、反馈漂移、课程崩塌和环境错误等风险，并从策略能力、反馈保真度、经验质量三方面给出评估框架，另维护 GitHub 仓库跟踪最新进展。