RLTL;DR：通过内化自身生成的反馈实现自我改进

具有可验证奖励的强化学习（RLVR）的常见范式，是让智能体多次尝试任务，并朝成功的尝试进行优化。但在自我改进场景中，这种范式会遇到问题：任务可能难到智能体成功机会很小甚至为零，同时也没有教师模型或示例解法可供蒸馏。本文提出 RLTL;DR。每次尝试失败后，我们向策略展示验证器输出，让它以一条简短的 TL;DR 洞见写出自己的反馈。下一次运行则以……为条件。