RLTL;DR 论文：自生成反馈让 Pass@128=0 的任务提升至 14-31%

Michael Kirchhof 等人发布论文 RLTL;DR，让策略在失败后读取验证器输出并自写 TL;DR 式经验总结，以突破 RLVR 的学习瓶颈。在 Pass@128=0 的工具调用与编程数据集上，Qwen 3.5 9B Thinking 用标准 GRPO 训练 Pass@1 停留在 0-1%，RLTL;DR 训练时达 14-31%，评测不给任何 insight 也保持 12-13%。