摘要
针对大模型科学推理训练中鲁棒性与效率的挑战，本文在指令式分子优化任务中提出“主动推理”范式。该范式允许策略根据实例动态决定是模仿参考解还是强化自身发现，并持续升级模仿目标。具体实现为 Active-GRPO 方法，包含主动模仿 - 强化与主动参考两种机制：前者在参考优于策略时进行模仿学习，反之转向自我改进；后者用策略生成的最优解替换参考，确保指导信息始终有效。实验表明，该方法在多项指标上显著优于现有基线。
AI 推荐理由
论文核心提出主动推理范式，通过自适应模仿与自我改进机制显著提升科学推理能力。
研究机构
School of Medicine, Stanford University
Data Science Institute, University of Chicago
Pritzker School of Molecular Engineering, University of Chicago
Department of Computer Science, University of Chicago
Argonne National Laboratory
论文信息