跳到主要内容
检索

# 定向引导

1 篇关联报道

订阅更新
  1. arXiv

    智能体强化学习不再只靠标量奖励:定向引导让模型学会原本学不会的工具格式与文风

    多轮工具调用的智能体强化学习常受限于基座模型覆盖不足,某些奖励即使设计正确也学不动。定向引导把每条评分标准附带的文本反馈放到出错的那一轮之前,构造一个权重相同、上下文不同的“专家”,只在该轮做自蒸馏,并与逐标准强化学习奖励叠加。在Qwen3-Coder-30B的软件工程多轮环境中,这一组合让模型学会新的语义搜索工具参数格式和逐轮写诗等行为,同时把编码通过率维持在仅用GRPO训练的水平附近。

已读完全部报道