マルチターンRLの効果と予算依存性を検証

1. 17:24
   Hugging Face Daily Papers

   LLMエージェントにおけるマルチターン強化学習の効果の検証

   マルチターンのエージェント型強化学習は、対話ターンの上限が厳しくなると性能向上が大きく縮小し、十分なターン予算に依存することが示された。単一ステップの判断品質を一様に高めるわけではなく、その効果はエラーからの回復と長期タスクでの頑健性に集中する。提案手法のBudgetMix RLは学習中に対話予算を変動させ、多様な実行設定で頑健な性能を示したとされる。

現在の注目度 3·比較可能なピーク 5（11月5日 19:00）·24時間の比較可能な増減 –

推移は、継続的かつ完全に観測できたアカウントのみを比較しているため、現在の注目度の数値より範囲が狭くなる場合があります。ポインターを動かすかグラフをタップすると、1時間ごとの注目度を確認できます。キーボードでは左右の矢印キーを使います。