ICE在RL训练时加入探索指令，并通过自蒸馏提升LLM训练样本多样性。
推荐理由：LLM强化学习的探索不是随机动作那么简单；用额外指令诱导多样经验，利用预训练知识扩展轨迹分布，针对后训练中的探索不足。
阅读原文