MADA-RL：面向紧凑模型参数高效推理的多智能体辩论感知强化学习

论文提出MADA-RL，将不超过4B参数的紧凑模型分别训练为生成器与批评器，并通过反事实批评器优势函数，让批评器超越生成器集成共识而非简单复述正确答案。仅使用LoRA适配器，在五项数学推理基准上将DeepSeek-R1-Distill-Qwen-1.5B准确率从39.9%提升至41.9%，可训练参数较全量微调基线减少16倍，但仍未超过DeepScaleR和STILL-3。