paper.dinq.meAI 与前沿科学顶会 · 学术新星雷达
登录 DINQ
返回新星榜
ML

Minzhi Li

ACL 2026推理智能体与工具强化学习与后训练
新星分贡献者
22
一作贡献0
核心/参与5
方向广度6
合作网络3
0 一作 · 1 篇 · ACL 2026

获取完整研究档案

首次获取该候选人的完整档案及 StartLux 评估共 20 积分;每位用户单独解锁,之后查看免费。主动刷新 20 积分。

联系方式

实时查找电子邮箱,费用不超过20积分;未找到邮箱不扣费。

2026 顶会论文

1
作者位次 #5/8ACL 2026Findings· Findings of ACL

Interactive Learning for LLM Reasoning

Hehai Lin · Shilei Cao · Sudong Wang · Haotian Wu · Minzhi Li · Linyi Yang · Juepeng Zheng · Chengwei Qin

摘要

Existing multi-agent learning approaches explicitly foster collaboration among Large Language Models (LLMs) to build stronger multi-agent systems (MAS), yet they still rely on re-executing the MAS during inference. This contrasts with human cognition, wherein individuals can internalize insights...

推理智能体与工具强化学习与后训练OpenReview 项目页

常见合作者