★ 3
BATON：LLM智能体的双轴策略优化
研究将LLM智能体强化学习拆分为轨迹内反馈归因与轨迹间目标聚合两个维度，提出双轴策略优化框架BATON。其贝叶斯反馈归因构建以反馈为条件的动作后验，轨迹质量归一化则为完整轨迹分配等量优化权重。在ALFWorld、WebShop与SearchQA上，两轴各自带来独立增益，组合后在多种模型规模下表现最…
arXiv cs.AI45 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究将LLM智能体强化学习拆分为轨迹内反馈归因与轨迹间目标聚合两个维度，提出双轴策略优化框架BATON。其贝叶斯反馈归因构建以反馈为条件的动作后验，轨迹质量归一化则为完整轨迹分配等量优化权重。在ALFWorld、WebShop与SearchQA上，两轴各自带来独立增益，组合后在多种模型规模下表现最…