RefineRL：利用自我修正强化学习推进竞技编程

大型语言模型在竞技编程等复杂推理任务中表现优异，但现有方法多关注单次尝试，忽视了迭代修正潜力。本文提出 RefineRL，旨在释放大模型的自我修正能力。该方法包含两大创新：一是“怀疑智能体”，配备本地执行工具验证解法，即使验证通过也保持怀疑态度以强制严谨修正；二是基于标准可验证数据的强化学习方案，激励模型进行自我修正。实验表明，经训练的 4B 模型结合该智能体，性能超越更大的 32B 模型，并接近 235B 模型的单次尝试表现，证明自我修正在扩展推理能力方面的巨大潜力。