כתבה
arXiv cs.LG ·
HINT-SD: פיתוח ראשוני של חזרה-עצמית מסוגלת לאפקטיביות בסביבות רכיב-ארוך
HINT-SD: Targeted Hindsight Self-Distillation for Long-Horizon Agents
HINT-SD: פיתוח ראשוני של חזרה-עצמית מסוגלת לאפקטיביות בסביבות רכיב-ארוך. השיטה משתמשת בחזרה-עצמית מסוגלת לבחור אקציות-שגיאה ולאפקטיביות בסביבות רכיב-ארוך. השיטה נבחנה ב-BFCL v3 וב-AppWorld והראתה תוצאות טובות יותר מהבסיס.
תקציר מקורי באנגליתarXiv:2605.17873v3 Announce Type: replace Abstract: Training long-horizon LLM agents with reinforcement learning is challenging because sparse outcome rewards reveal whether a task succeeds, but not which intermediate actions caused the outcome or how they should be corrected. Recent methods alleviate this issue by generating rewards or textual hints from turn-level action-output signals, or by using feedback-conditioned self-distillation. However, generating feedback at every turn is inefficient when many intermediate turns are already successful or neutral, and applying feedback at a fixed or misaligned turn often fails to supervise the actions that contributed to the failure. To bridge this gap, we propose HINT-SD, a targeted self-distillation framework that uses full-trajectory hindsig
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית