跳到正文
arXiv · AI· Moein Salimi, Babak Hosseini Mohtasham, Amin Aghakasiri, Mahdi Naieni, Amir Hossein Qeysarbeigi, Mohammad Masih Shalchian Nazer, Zahra Azar, Mahdi Jafari Siavoshani, Mohammad Hossein Rohban·· 3 天前AI 评分30

用于科学构思强化学习后训练的“辩论作为奖励”多智能体奖励系统

Debate as Reward: A Multi-Agent Reward System for Scientific Ideation via RL Post-Training

AI 导读

提出首个专为科学构思设计的多智能体奖励系统,通过辩论机制提供稳健的二值奖励,有效解决强化学习中的奖励作弊问题。 该系统利用无偏 Group Relative Policy Optimization 消除长度偏差,并基于 ICLR 2024 和 NeurIPS 2025 的论文数据训练,在新颖性、可行性等指标上显著优于现有基线。

来源:arXiv · AI · arxiv.org