★ 3
arXiv 论文提出 RSD 指标，量化 LLM 智能体行为一致性
论文提出递归语义分歧（RSD），一种无需监督的轨迹级一致性指标，借鉴强化学习中的双模拟度量，用自然语言推理检测同一智能体两次独立运行的语义分歧。将 RSD 作为微调奖励信号后，tau2-bench 任务进度波动从 132% 降至 91%，toolsandbox 从 90% 降至 44%，且无需真值…
arXiv NLP6 天前
#奖励信号
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
CivHarness 与 CivTelescope：为 Freeciv 长程智能体提供回放奖励信号
研究指出策略游戏中存在「记分板陷阱」——高分局面反而导致更差结局，并提出 CivHarness 系统支持存档、分支与回放以提供长程反馈。基于此训练的 LLM 评判器 CivTelescope 在陷阱对上准确率提升 1.3-2.0 倍，作为稠密奖励训练的 CivMarshmallow 智能体训练增益…
arXiv cs.AI9 小时前