研究人员开发了FOCUS,一种新颖的强化学习方法,旨在提高长时域语言模型智能体价值估计的准确性。该方法采用选择性分支,通过对最有可能减少估计误差的状态的续接进行采样,帮助批评者网络更有效地学习。实验表明,在法律推理、深度搜索和代码定位等基准测试中,FOCUS的表现优于GRPO和VinePPO等现有方法,并在Qwen3.5-9B规模上显示出显著的准确性提升。 AI
影响 这项研究可能带来更强大、更高效的LLM智能体,以应对复杂的长时域任务。
排序理由 该集群包含一篇详细介绍语言模型智能体新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →