提出AREW方法,通过注入易获取的方向性批评信号来重新分配强化学习中的学习信号,以缓解大语言模型智能体在主动推理中出现的信息自锁问题,显著提升其信息探索与信念跟踪能力。
机构:字节
来源:arXiv 2603.12109 | AI4Papers 论文推荐平台