CoSIR：用可验证信息奖励训练 LLM 多智能体协作

研究者发布预印本 CoSIR，提出用可验证信息奖励和自博弈 RL 直接后训练 LLM 的多智能体协作能力，而非只设计推理时工作流。方法包含可扩展可验证环境、按团队惊讶度降低给共享证据打分的贝叶斯评估器，以及对 Qwen3-4B、Qwen3-8B、Gemma-3-4B-it 的后训练。