通俗解释
模型为题目生成推理，保留最终答对的那些做微调；答错的给出正确答案让它“反推”理由。循环多轮，推理能力逐步增强，是“自我改进”路线的早期代表。
用在哪里：推理数据合成
01原始论文
STaR: Bootstrapping Reasoning With Reasoning
Eric Zelikman, Yuhuai Wu, Jesse Mu, et al. · 2022
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
相关：可验证奖励强化学习 RLVRDeepSeek-R1 推理强化学习配方
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-21。
- JSON: /api/learn/algorithms.json (id:
star)