研究提出PVST自训练方法验证智能体合规

研究提出一种名为 Policy-Verified Self-Training（PVST）的后训练范式，让智能体自行生成交互轨迹，再由一个可执行策略验证器判断每条轨迹中的动作是否合规。据该研究介绍，验证器是由书面策略编译而成的确定性门控。 合规轨迹被用于强化，违规轨迹则作为负样本用于偏好优化，以此训练智能体学会遵守策略。该研究由 Min-Young Yu 提出，发布在 arXiv cs.LG。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。