#Self-Reflection (1)

反思、重试、奖励：强化学习驱动的自改进 LLM

论文提出 Reflect-Retry-Reward 框架：模型首次答错后生成自反思，再带着反思重试；若重试成功，就用 GRPO 只奖励反思 token。方法仅依赖二元反馈，使 1.5B-7B 模型在函数调用和数学方程生成上显著提升，小模型可超过同族约 10 倍规模的模型。