arXiv cs.LG· Min-Young Yu·· 7 小时前AI 评分29
Policy-Verified Self-Training：用可验证策略奖励让智能体学会合规
Policy-Verified Self-Training: Learning Agent Compliance from Verifiable Policy Rewards
AI 导读
研究提出 Policy-Verified Self-Training（PVST），用可执行策略验证器对智能体自生成轨迹的合规性打分，合规轨迹被强化、违规轨迹作为负样本用于偏好优化。
来源：arXiv cs.LG · arxiv.org