剑桥团队用信息增益奖励训练推理 LLM，大幅降低序贯实验设计成本

剑桥大学团队将序贯贝叶斯实验设计（BED）摊销进 LLM，以信息增益奖励训练实验设计中的动作选择。该策略在 Twenty Questions 等任务上胜过推理时和训练时 BED 基线，计算成本更低，并能泛化到未见类别。研究还展示了从 Twenty Questions 到真实医学诊断（Medi-Q）的正迁移。