论文笔记分享，标题：Training Language Models to Self-Correct via Reinforcement Learning。来自google deepmind。
Reflection、Self-Correct这些东西在O1出来之后，挺火的。但是，正常的LLM在没有外部输入的时候，本身的自我修正能力是不够的。
除此之外，像PE以及FT这些，一般都比较难的让模型获得一个比较好的自我修正。
所有SCoRe来了，通过一通强化学习炼丹，在MATH任务上的自我修正性能提高了15.6%，在HumanEval任务上提高了9.1%。流程上会先进行第一次尝试，进行反思，第二次尝试中完成最终的结果。
2阶段训练，如果是单次的训练这种修正过程，模型很容易就学习到一个简单的策略。比如不对第一次的结果进行修正，或者先给一个明显错误的结果，然后在进行刻意修正。
为了避免这种情况，需要需要在第一阶段，引导模型探索更广泛的解题空间。第一阶段训练，第一次尝试的结果会用KL散度约束跟基础模型的结果保持一致。第二次尝试的结果最大化与正确答案之间的损失。如下图。第一阶段的损失函数：
有了第一阶段打底，第二阶段就放纵一点了。这次需要2次尝试一方面都尽可能的与正确答案去靠拢，还增加了一个额外的损失，鼓励从第一次尝试错误到第二次正确的奖励，这分别对应了下面2个奖励函数。
最后，贴一个与其他方法的效果对比提升图。
