论文Agent 与开发者10:04LM2LM：用 RL 训练 LLM 提出语言模型改进方案用世界模型当奖励模型训练 AI 自己改进模型，Qwen3.8-27B 训完居然超过 GPT-6-sol，成本还降了 33%。#LM2LM#Qwen3.8-27B#GPT-6-sol#强化学习1 个信源在谈事件专题aarXiv cs.AI@Minhua Lin 等 10 人2 个信源在谈原文稍后读已读值得跟进有用关注 LM2LM