CoSIR：用可验证信息奖励后训练多智能体LLM协作

Keru Chen 等在 arXiv 发布论文，提出多智能体 LLM 协作后训练方法 CoSIR（Collaboration via Surprisal-based Information Rewards）：用一个贝叶斯评估器，按共享信息使团队 surprisal 下降的程度，为共享信息和请求信息提供可验证奖励，在简单可验证环境中通过自博弈训练协作行为。 作者通过自博弈后训练 Qwen3-4B、Qwen3-8B 和 Gemma-3-4B-it，并在七个未见过的自然语言协作任务上评估迁移效果。这是作者声称的结果，属论文阶段，尚无独立复现。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。