visual Sokoban

新的Gated-BEPO方法增强了LLM代理的信用分配

研究人员推出了一种新颖的信用分配方法Gated-BEPO，用于改进大型语言模型代理在复杂、长时程环境中的信用分配。该技术通过构建经验图来从观察到的结果中推导步级信用，而不是统一分配奖励，从而解决了现有方法的局限性。Gated-BEPO使用置信门自适应地融合了片段级和步级信用，仅在具有多个观察后继的状态中纳入贝尔曼信用。在WebShop和ALFWorld等任务上的实验表明，在各种语言和视觉-语言模型上性能得到了一致提升。