Shuze Daniel Liu

通过RLVR训练的LLM代理学会有效销售产品

研究人员开发了一种新的强化学习方法，用于训练大型语言模型（LLM）代理在多产品市场中充当战略性销售员。该方法通过将问题形式化为部分可观察马尔可夫决策过程，并采用可验证奖励强化学习（RLVR），来解决信息不对称和资源约束等挑战。训练后的代理在卖方盈余提取和买方-产品分配质量方面表现出改进，甚至在这些指标上超越了万亿参数的前沿模型，并能泛化到未知的市场条件。