RewardWeaver用于长程语言智能体奖励适配

Hengbo Xiao等提出RewardWeaver，用于改善语言智能体长程交互中的稀疏反馈与信用分配；论文称，该框架在三个基准上取得当前最优结果，但输入未提供具体数值或独立验证。 框架根据低结果轨迹进行结果导向的反向归因，汇总由策略控制且反复出现的能力瓶颈，再为下一训练阶段动态选择过程奖励；当失败超出既有能力空间时，则受控扩展能力。据arXiv论文摘要，该方法在SOTOPIA、Amazon HistoryPrice及新构建的Sales Benchmark上评估，覆盖社交互动、双边议价和领域销售，消融实验支持动态奖励分配、失败归因与能力语义稳定的作用。

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。