Training Agents with Weakly Supervised Feedback from Large Language Models
腾讯的工作，作者发现已有的agent训练基本都依赖无损的feedback信号，要么是从human trace做sft，要么需要依赖对于trace的result算法。作者想到：能不能找到一个critic LLM给trace做评价，然后筛出好trace，再训回去来涨分呢？作者把这个叫做Weakly Supervised Feedback
Reverse Thinking Makes LLMs Stronger Reasoners
一篇前o1风格的工作：作者发现在数学题等推理任务中，除了看到题目推导过程，人还会从结果出发倒推过程。作者构造了一些既包含正推理，也包含负推理的数据集，发现训出来的模型可以提分。
