arXiv cs.LG· Tianyu Liu, Davide Belli, Bence Major, Arash Behboodi, Tribhuvanesh Orekondy·· 7 小时前AI 评分41
Explorer-Zero：用可分解可验证奖励改进长时程任务的自对弈训练
Explorer-Zero: Improving Self-Play for Long-Horizon Tasks with Decomposable Verifiable Rewards
AI 导读
Explorer-Zero 是一个通过环境交互联合生成任务与细粒度可验证奖励的自对弈框架，无需人工标注训练任务。在 ALFWorld、ScienceWorld 和 AppWorld 上，它超越所评估的自对弈基线；在 AppWorld 上，其 30B 智能体任务成功率达 59.67%，接近人工标注任务 RL 的 62.65%。自对弈初始化还能提升后续基于人类数据的 RL 效果。
来源：arXiv cs.LG · arxiv.org