arXiv · NLP· Runchu Tian, Zaid Khan, Zun Wang, Justin Chih-Yao Chen, Mohit Bansal·· 3 小时前AI 评分36
MiRL: 针对终端智能体错误行为的错误定向强化学习方法
MiRL: Error-Targeted Reinforcement Learning for Correcting Terminal Agent Misbehaviors
AI 导读
MiRL 通过定位可泛化的“不当行为”进行强化学习，修正终端智能体在长程任务中的错误。 在 Qwen3.5-4B 上，该方法使不当行为重复率降低 43% 至 57%，在 Terminal-Bench Lite 得分达 51.8%，且仅使用 35% 的 rollout 成本。 证明了错误定向学习可有效应用于现实长程终端任务。
来源：arXiv · NLP · arxiv.org