跳到主要内容
检索

Xuanren Chen

1 篇关联报道

订阅更新
  1. arXiv

    智能体长任务训练不再只看单条轨迹:BLPO跨任务共享经验,WebShop成功率74.02%

    长程任务中,智能体每一步的贡献很难从单条轨迹里分辨,而把比较限制在单个任务的少量采样内又常常缺少足够证据。BLPO把不同任务中处于相同任务进度、执行相同功能动作的决策归入同一比较组,用跨任务和跨训练轮次累积的统计估计步级优势,并对上下文难度与估计可靠性做加权。在ALFWorld和WebShop上,Qwen2.5-1.5B策略的WebShop任务成功率从HGPO的71.54%升到74.02%,ALFWorld Out-Success从90.16%升到91.54%,且不引入学习到的评论家或额外采样。

已读完全部报道