arXiv · ML· Joey Hong, Kang Liu, Zhan Ling, Jiecao Chen, Sergey Levine·· 1 天前AI 评分35
自然语言演员-评论家（NLAC）：语言空间中的可扩展离策略学习
Natural Language Actor-Critic: Scalable Off-Policy Learning in Language Space
AI 导读
研究提出自然语言演员-评论家（NLAC）算法，利用生成式 LLM 作为评论家输出自然语言反馈，而非标量值。 该算法支持离策略训练，无需策略梯度，相比现有方法在推理、网页浏览和工具使用任务中表现更优且更稳定。 NLAC 被证明是一种更可扩展、稳定的 LLM 智能体训练范式。
来源：arXiv · ML · arxiv.org