蘋果提出 RLTL;DR：用自生成反饋實現自我改進

2026 年 10 月 1 日，蘋果機器學習團隊（Apple Machine Learning）公佈了一種名為 RLTL;DR 的方法。

該團隊針對的是可驗證獎勵強化學習（RLVR）在自我改進場景下的困境。按材料中的描述，RLVR 的常見範式是讓 Agent 對同一任務做多次嘗試，並朝著其中成功的嘗試做最佳化；但在自我改進的領域裡，任務難到 Agent 成功的機會很低，甚至完全沒有成功的機會，同時也不存在可供蒸餾的教師模型或示例解，這一範式因此變得有問題。

RLTL;DR 的思路是在每一次失敗嘗試之後，把驗證器的輸出展示給策略，讓模型據此自我改進。目前可核對到的資訊為：公佈時間為 2026 年 10 月 1 日，提出方是蘋果機器學習團隊，方法名為 RLTL;DR，所針對的問題是 RLVR 在自我改進場景中缺少成功嘗試、也缺少教師模型與示例解。