1 含有标签「reward-engineering」

稀疏奖励陷阱：为什么长程智能体在演示中表现出色，却在生产环境中崩溃

稀疏奖励使得长程智能体训练变得异常困难 —— 智能体能通过演示，但在边缘案例中失败。本文深入解析信用分配失败、后验重标记、步骤级代理奖励以及生产级训练流水线设计。