De oplosser-knelpunt doorbreken: taakgeneratoren trainen op de leerbare grens

arXiv:2606.18284v1 Aankondigingstype: nieuw Samenvatting: De beperkende factor bij het trainen van agents via reinforcement learning (RL) is steeds vaker de aanvoer van grenstaken: geldige, oplosbare taken die nét moeilijk genoeg zijn om het huidige model te trainen. Naarmate redeneer- en agentmodellen verbeteren, raken vaste taakverdelingen verzadigd, terwijl naïeve synthetische generatie taken oplevert die triviaal, onmogelijk of slecht gesteld zijn. Het trainen van een taakgenerator met RL om validiteit en leerbaarheid te optimaliseren kan dit knelpunt aanpakken, m