CORE：对比反思赋能推理能力的快速提升

语言模型可利用可验证奖励提升推理任务表现，但现有参数化与非参数化方法通常需大量样本与 rollout，成本高昂。本文提出对比反思（CORE）算法，通过对比过往推理轨迹生成自然语言洞察，捕捉成功与失败尝试间的策略差异。实验表明，CORE 在四种推理任务中以更少 rollout 实现比基线更快的性能提升，且在极低样本下表现优异，同时具备更高的上下文效率与可解释性，为模型自我进化提供了高效新路径。