# 无梯度强化学习

TextualRL把同一任务、同一上下文下的多次执行作为一个整体来批评，而不是只看单条轨迹，再把评审后的文本补丁写回共享上下文，模型参数始终冻结。在五个目标模型、六个基准上，它取得每个目标的六基准平均最高分，相对无技能基线提升11.4至24.4个百分点，相对最强基线SkillOpt提升0.9至3.2个百分点。

TextualRL把同一任务、同一上下文下的多次执行作为一个整体来批评，而不是只看单条轨迹，再把评审后的文本补丁写回共享上下文，模型参数始终冻结。在五个目标模型、六个基准上，它取得每个目标的六基准平均最高分，相对无技能基线提升11.4至24.4个百分点，相对最强基线SkillOpt提升0.9至3.2个百分点。