★ 3
Caddie：从任务结果训练 LLM 智能体评论员
研究者提出 Caddie 方法，通过强化学习训练评论员（critic）在智能体执行任务时提供自然语言分析与建议，训练时冻结基座模型，仅以任务最终成败作为奖励信号。基于 Qwen3-4B 训练的评论员在 MuSiQue 多跳问答上让 Qwen3-4B 成功率提升超 25 个百分点，并跨四种不同规模与…
arXiv NLP25 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
研究者提出 Caddie 方法，通过强化学习训练评论员（critic）在智能体执行任务时提供自然语言分析与建议，训练时冻结基座模型，仅以任务最终成败作为奖励信号。基于 Qwen3-4B 训练的评论员在 MuSiQue 多跳问答上让 Qwen3-4B 成功率提升超 25 个百分点，并跨四种不同规模与…
论文研究基于失败的文本知识蒸馏，指出从单一模型失败中提取的规则在其他模型家族上表现不佳，且注入的规则原子可能被误用于无关案例。作者提出RFCR方法，从跨模型共享失败中提取规则、用边界案例锐化应用范围并在无有用规则时弃权。在400项BIG-Bench Hard任务上，基线小抄从68.50%提升至71…