苹果提出 RLTL;DR：用自生成反馈实现自我改进

2026 年 10 月 1 日，苹果机器学习团队（Apple Machine Learning）公布了一种名为 RLTL;DR 的方法。

该团队针对的是可验证奖励强化学习（RLVR）在自我改进场景下的困境。按材料中的描述，RLVR 的常见范式是让 Agent 对同一任务做多次尝试，并朝着其中成功的尝试做优化；但在自我改进的领域里，任务难到 Agent 成功的机会很低，甚至完全没有成功的机会，同时也不存在可供蒸馏的教师模型或示例解，这一范式因此变得有问题。

RLTL;DR 的思路是在每一次失败尝试之后，把验证器的输出展示给策略，让模型据此自我改进。目前可核对到的信息为：公布时间为 2026 年 10 月 1 日，提出方是苹果机器学习团队，方法名为 RLTL;DR，所针对的问题是 RLVR 在自我改进场景中缺少成功尝试、也缺少教师模型与示例解。