★ 3
SDI 用想象中兄弟分歧统一世界模型探索与规划
论文提出 SDI，以 actor 自身重复 rollout 的变化作为共享参照，同时缩放候选回报离散度（探索信号）与计划预测优势（动作接受门控）。SDI 复用基础智能体的世界模型、actor 与 critic，无需额外分歧集成；在 Meta-World、Adroit、DM-Control 上任务均…
arXiv cs.LG11 天前
#探索策略
共 4 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
论文提出ReTRAIL：长程智能体回退环境并复用探索经验
arXiv论文提出ReTRAIL框架，允许智能体将环境回退到早期状态同时保留有效进展并沿用被放弃探索中学到的知识。通过State-Anchored GRPO与分支推进奖励训练共享策略，在MineSweeper、Sokoban、ALFWorld、ScienceWorld四个交互基准上优于单纯加入回退…
arXiv cs.AI21 天前
★ 2
GraphEcho：图智能体的结构冗余与证据溯源
研究提出GraphEcho基准，测试大模型智能体是否会将重复路径误认为额外佐证。实验显示冗余支持路径会增加所有冻结智能体的重复游走比例，溯源感知后训练虽能减少重复并提升合成准确率，但覆盖的独立来源更少，在科学论断上准确率反而下降。这揭示了高效探索与有效证据利用之间的鸿沟。
arXiv cs.AI46 天前
★ 1
arXiv 论文对比主动推理与 Bayes-UCBVI 的信息价值
论文将主动推理（AIF）与 Bayes-UCBVI 置于同一表格 MDP 框架下比较，发现 AIF 的信息增益衰减过快，无法作为置信宽度。作者提出用平方根校准信息增益得到 calibrated AIF，在精确抽象下达到 √T 级遗憾。当奖励由对手从智能体数据中选择时，校准信息增益作为奖励无关的 ℓ…
arXiv cs.LG18 天前