提出了一种名为“进度优势”的隐式步级评分方法,利用RL后训练产生的策略对数概率比为LLM Agent提供无需标注的步级奖励信号,在测试时缩放、不确定性量化和失败归因等任务中超越了专门训练的奖励模型。
机构:威斯康星麦迪逊
来源:arXiv 2606.26080 | AI4Papers 论文推荐平台