研究人员开发了一种名为多尺度策略优化(MPO)的新方法,以提高长时序大型语言模型(LLM)智能体的性能。MPO通过在回合层面进行优化,并进行更精细的代币层面分配,解决了跨多个回合分配行动功劳的挑战。在涉及搜索、工具使用和自动化的任务上使用4B和30B-A3B模型进行的实验表明,与现有的强化学习基线相比,性能得到了持续改进。 AI
影响 这项新的优化技术有望为复杂、长时序任务带来更强大、更高效的LLM智能体。
排序理由 该集群包含一篇详细介绍LLM智能体新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
- 30B-A3B
- 4B-A3B
- arXiv
- Hugging Face
- Multiscale Advantage Estimation
- Multiscale Policy Optimization
- reinforcement learning
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →