Caddie：从任务结果训练 LLM 智能体评论员
原文标题：Training Advisors for LLM Agents from Task Outcomes
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者提出 Caddie 方法，通过强化学习训练评论员（critic）在智能体执行任务时提供自然语言分析与建议，训练时冻结基座模型，仅以任务最终成败作为奖励信号。基于 Qwen3-4B 训练的评论员在 MuSiQue 多跳问答上让 Qwen3-4B 成功率提升超 25 个百分点，并跨四种不同规模与架构的基座模型（含三个未参与训练）以及 τ³、DeepDive 等域外交互基准上均带来增益。结果表明智能体可在推理时自行决定何时求助评论员，且基于结果的评论员训练能产生跨模型、跨任务迁移的指导。
- 问题
- 如何训练评论员在智能体执行任务时给出有效自然语言指导。
- 方法
- Caddie 冻结基座模型，仅以任务最终成败为奖励，用强化学习训练评论员。
- 结果
- Qwen3-4B 评论员在 MuSiQue 上让 Qwen3-4B 成功率提升超 25 个百分点，并在四种基座模型及 τ³、DeepDive 上带来增益。
- 影响
- 结果级奖励即可训练出跨模型跨任务迁移的评论员，为智能体加装通用外挂指导。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Caddie用任务成败作唯一奖励训练评论员，MuSiQue上让Qwen3-4B成功率提升超25个百分点。
- •训练时冻结基座模型，仅以任务最终成败为奖励信号，不依赖步骤级标签或参考评论
- •基于Qwen3-4B训练的评论员在MuSiQue上让Qwen3-4B成功率提升超25个百分点，超过无评论员的Kimi K3
- •增益跨四种不同规模与架构的基座模型，其中三个未参与评论员训练
- •在τ³、DeepDive等域外交互基准上零额外训练即有增益
为什么重要：证明基于结果的评论员训练可跨模型、跨任务迁移，为智能体推理时自我求助提供低成本方案。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。