arXiv · AI· Tom A. Lamb, Adam Golinski, Eleonora Gualdoni, Sinead Williamson, Michael Kirchhof·· 4 小时前AI 评分36
Qwen3.5 学习感知预算的多轮代理资源分配
Rewards for Budget-Aware Multi-Turn Agents That Adapt to Arbitrary Test-Time Constraints
AI 导读
Qwen3.5 4B 和 9B 模型在 AppWorld 与 BabyAI 环境中学习感知预算的多轮代理，通过奖励反馈在 11 种目标函数下实现动态资源分配。 使用超支惩罚奖励可显著提升预算内成功率与自然合规性，Sigmoid 惩罚最优化成功率，固定负奖励增强合规性。 单个代理无需外部控制器即可适应用户指定的预算，该能力可零样本迁移至未见过的任务分布与基准测试。
来源：arXiv · AI · arxiv.org