跳到正文
arXiv · NLP· Yuxiao Lee, Zherui Yang, Fan Liu, Hao Liu·· 21 天前AI 评分27

预测奖励而非世界:面向 ML Agent 的世界奖励模型

Predict the Reward, Not the World: World Reward Models for ML Agents

AI 导读

论文提出 World Reward Models (WRMs),让 Agent 直接预测哪个候选程序表现更好,避免预测执行结果带来的误差。 WRM 将 9B 模型适配至 5k 程序对,在 12,438 对测试中以 79.4% 准确率识别优者,优于通用 LLM 评委的 53-62%。 在 AIDE 等框架中,WRM 将平均任务耗时缩短 4.4-7.5 倍,且均值分数波动在 0.01 以内或有所提升。

来源:arXiv · NLP · arxiv.org