Sherpa框架通过多轮强化学习训练LLM自适应教学

2026年10月6日，Hugging Face Daily Papers报道了多轮强化学习框架Sherpa，用于训练LLM自适应教学。该框架通过构建多种具有不同学习偏好的学生原型，训练教师模型直接最大化学生学习效果。报道称，Sherpa使教师模型在所有原型上的学生表现平均提升20.5个百分点；在MathTutorBench评测中，整体教学法得分从52.5%提升至79.2%；人类研究中，训练后的教师模型在79.6%的成对比较中优于基座模型。代码与模型已公开。10月8日，X用户马东锡NLP推荐阅读该工作，称其“因材施教”。

AI 根据报道生成 · 39 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。