CB-Agent：概念上下文学习用于顺序动作选择

Qingyue Zhang 等作者提交论文，提出 CB-Agent 方法，将基于概念的上下文学习（ICL）扩展到顺序动作选择。该方法从专家轨迹中提取“环境-动作”决策，用最大似然拟合概念向量，从而建模给定上下文下候选动作的条件分布。 CB-Agent 将概念与冻结的语言模型特征和先验结合，在 ReAct 交互中选择环境动作时，无需把演示放入动作评分上下文。论文称这是对基于概念 ICL 的扩展，但未报告具体任务上的效果数据。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。