通过跨剧集元强化学习扩展大语言模型的上下文在线学习能力

大语言模型在静态任务中表现优异，但在需交互获取信息的在线决策场景中常难以有效利用上下文经验。本文提出 ORBIT，一种多任务、多剧集的元强化学习框架，旨在训练 LLM 从上下文的交互反馈中学习。经元训练后，较小的开源模型（Qwen3-14B）在未见环境中展现出显著的在线学习能力提升，性能媲美 GPT-5.2 并大幅超越标准 RL 微调。实验表明该能力随模型规模扩展而增强，为推理时可学习的决策 Agent 提供了广阔前景。