一个自己做题只有 42.9% 的模型,当教练却能把别人从 72.8% 带到 82.9%。 浙江大学的新论文里有个反常识的发现:决策模型 JEV 只做选择、不写文本,自己单独执行 ALFWorld 家务模拟任务时,成功率只有 42.9%。但让它当步骤评分器,给 Qwen2.5-1.5B 的策略打分,成功率从 72.8% 提升到了 82.9%。 方法是评分器看完整次尝试、逐个动作打分,分数加进 GRPO 训练里。智能体强化学习通常只奖励最终结果,步骤评分一般需要逐环境标签,或...
🌐 链接: https://x.com/taiyanghere/status/2121809173952291104
🏷️ 分组: X|太阳(taiyanghere)
🕒 时间: 2026-11-15 11:35:03
🌐 链接: https://x.com/taiyanghere/status/2121809173952291104
🏷️ 分组: X|太阳(taiyanghere)
🕒 时间: 2026-11-15 11:35:03