★ 3
研究提出长程工具调用智能体的比较价值估计方法
论文指出长程工具调用中，最终结果奖励对中间决策的信用分配较弱，而步级监督往往依赖人工或额外采样。为此提出 CITA，训练比较推理模型 CIM，从工具行为、贝叶斯工具图模拟器监督与 LLM 比较判断中学习，估计候选工具调用对任务成功的价值。在三个工具使用基准与多个基座模型上，CITA 持续提升 To…
arXiv cs.AI28 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文指出长程工具调用中，最终结果奖励对中间决策的信用分配较弱，而步级监督往往依赖人工或额外采样。为此提出 CITA，训练比较推理模型 CIM，从工具行为、贝叶斯工具图模拟器监督与 LLM 比较判断中学习，估计候选工具调用对任务成功的价值。在三个工具使用基准与多个基座模型上，CITA 持续提升 To…
论文针对机器人策略部署后积累的混合质量经验（成功、部分进展、失败），提出预测式动作块学习（PACL）。PACL 学习块级预测评论家，将 Q 值转为离散质量条件，引导扩散演员从混合质量经验中联合学习。在仿真与真实机器人操作任务上持续优于模仿学习和离线强化学习基线。