一句话定位

以多轮 RL 和工具执行反馈训练自验证能力,再在测试时扩展生成—验证轮数。

研究问题与动机

只用最终答案奖励可能没有教会可靠验证。ReVeal 将自验证作为 test-time 扩展的核心能力学习。

方法与机制

代码生成与测试生成共同训练;TAPO 进行 turn-level credit assignment,推理中调用自构造测试与工具反馈。

证据与结果

摘要支持训练较少轮而测试时扩展更多轮。它主要是训练后的多轮测试时改进,不自动代表跨任务持久记忆或 agent 自身递归更新。

当前卡片依据 2025-10-21 的 arXiv 摘要与元数据;作者结论不等于独立复现。原始摘要和版本信息保存在一手来源快照。

局限与开放问题

自构造测试可能覆盖不足或与答案共同出错;需隐藏测试与等预算采样对照。

关联与拓展

核验与阅读

  • [x] 原始标题、作者、日期及摘要回查 arXiv
  • [ ] 全文方法、结果表格、统计和成本协议逐项核验
  • [ ] 代码可复现性与独立复现
  • 一手来源