ReflectRL：通过反思到直接推理，从专家失败轨迹中学习

论文提出 ReflectRL，将更强专家模型在难题上的失败过程视为“黄金负轨迹”，不直接模仿，而是先引导模型识别并反思其中错误，再把反思式推理迁移回直接推理。摘要称，该方法在9个基准、4种大模型骨干和4种在线策略训练方法上持续提升推理表现，且额外开销较小，但未披露具体增益。