arXiv cs.CL· Artin Tajdini, Manpreet Kaur, Peng Qi·· 5 小时前AI 评分27
跨接口策略正则化 CIPR：让 LLM 智能体对界面扰动更鲁棒
One Task, Many Interfaces: Simple Cross-Interface Consistency Training Improves LLM Agent Robustness
AI 导读
研究者提出自监督目标 CIPR（跨接口策略正则化），通过将动作名替换为无信息标识符、并在两种等价接口下呈现同一样本，惩罚两种接口下动作分布的 KL 散度，使策略行为保持一致。在智能体函数调用任务上，留出的接口扰动会让后训练智能体准确率下降近 25%，CIPR 可挽回 10.5%，同时不损害原接口上的准确率。该方法在监督与强化学习后训练中均提升了鲁棒性。
来源：arXiv cs.CL · arxiv.org