跳到正文
arXiv · AI· Rui Jin, Jikai Chen, Chengyue Yu, Yihan Chen, Hao Zhou, Demin Zhu, Kaichen Yang, Dong Wang, Linjian Mo, Chenyi Zhuang·· 2026-10-16AI 评分30

设计反馈而非仅奖励:用于开放式强化学习的环境

Design the Feedback, Not Just the Reward: Environments for Open-Ended Reinforcement Learning

AI 导读

针对缺乏可靠验证器的开放式任务,该框架结合人类领域知识与模型推理构建训练环境,并将诊断归因转化为GRPO目标中的token级权重以指导策略优化。 在交互式Web应用生成任务中,该模型在MiniAppBench和ArtifactsBench上的平均通过率分别为41.25%和76.19%。 消融实验及分布外评估证实了各组件的有效性,表明该框架能实现可泛化的性能提升。

来源:arXiv · AI · arxiv.org