★ 3
RLCE：用比较证据强化学习训练社交智能
论文提出 RLCE（Reinforcement Learning with Comparative Evidence），一种无需人工标注真值即可从无标签数据中学习社交理解能力的强化学习方法。它通过构造「证据测试」比较同一 rollout 组内不同答案，判断哪种解释更受可观测证据支持，并随策略更新动…
arXiv cs.AI27 天前
#奖励建模
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
EvoRS：开放式强化学习的奖励系统在线自演化
论文指出开放式 RL 中策略与奖励系统构成动态反馈回路，固定奖励会因奖励黑客或判别力下降而失效。提出 EvoRS 自演化 RL 框架，将奖励系统表示为可执行 Reward-DAG，由智能体式设计器基于在线 rollout 与奖励轨迹持续更新。在写作与角色扮演任务上于三个评委下均取得最佳质量，分别超…
arXiv cs.AI49 天前