arXiv · cs.AI· Jaewan Park, Solbee Cho, Jay-Yoon Lee·· 1 天前
DAC通过跨智能体学习信号协调角色分解的LLM训练
Cross-Agent Learning Signals Enable Coordinated Role-Decomposed LLM Training
arXiv:2606.10684v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Jaewan Park, Solbee Cho, Jay-Yoon Lee
研究任务与主要进展
研究提出DAC（Divide and Cooperate）角色分解训练框架，利用任务特定的外部验证信号，分别训练搜索器和生成器，并通过交叉验证奖励协调两者的贡献。该方法允许生成器在检索证据不足时拒答，并结合外部评估的搜索充分性分配角色信用，同时用困难正证据增强抑制过度拒答；基于论文摘要，DAC在七个通用及多跳问答基准和两个模型骨干上均优于强单智能体及多智能体基线。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org