【摘要】我们探寻 RL、Behavior Reward Model 和 Agent 输出长度之间的张力：可否“反其道而行之”，探寻 Agent 输出过长的深层原因，以 BRM 的形式由 RL 加以惩罚，从而抑制 LLM 输出长度增长？ 阅读全文