AIが自分で評価して賢く学習

RLSVRは、RLVRを本質的に検証可能な問題の範囲を超えて拡張しました。これは、自由な形式のタスクを、独自の報酬シグナルを生成するルールと結果を持つ代理環境に変えることで実現しました。SpyRLは、このアプローチをマルチエージェント自己対戦を通じて実証しました。そこでは、事前に決められた役割と投票によって評価が自動化されました。