PaVeRL-SQL: Text-to-SQL via Partial-Match Rewards and Verbal Reinforcement Learning
Samsung SDSA(三星 SDSA)
PaVeRL-SQL结合部分匹配奖励与言语强化学习,通过两条流水线(言语RL和CoT RL)提升文本到SQL在复杂工业数据库上的执行准确率,在Spider、Spider 2.0和BIRD基准上达到SOTA,并在Spider2.0-SQLite上分别提升7.4%和1.4%。
2025-09-08 cs.AI
RLVF: Learning from Verbal Feedback without Overgeneralization
Stanford University(斯坦福大学)
针对大型语言模型仅通过提示引入口头反馈易导致行为过度泛化的问题,提出了C3PO方法,通过生成合成偏好数据集进行约束微调,在有效应用反馈的同时最小化对无关上下文的影响,将过度泛化降低30%。
2024-02-16 cs.AI cs.CL cs.LG
Reward Is Enough: LLMs Are In-Context Reinforcement Learners
University of Virginia(弗吉尼亚大学)
研究发现LLM在推理过程中可通过上下文强化学习实现自我提升,通过多轮提示框架提升任务表现,显著优于基线方法。
2026-04-24 cs.AI cs.CL cs.LG
ORCE: Order-Aware Alignment of Verbalized Confidence in Large Language Models
Stony Brook University(石溪大学);Massachusetts General Hospital and Harvard Medical School(麻省总医院和哈佛医学院);Morgan Stanley(摩根大通)
本文提出一种解耦且顺序感知的明确自信度校准框架,通过分离自信度估计与答案生成过程,提升校准和失败预测性能,同时保持答案准确性。
2026-05-12 cs.CL cs.LG
Training an Interactive Humanoid Robot Using Multimodal Deep Reinforcement Learning
University of Lincoln(林肯大学);University of Toulouse III(图卢兹第三大学)
训练机器人使用多种模式进行感知、行动和通信仍然是一个具有挑战性的问题,特别是如果机器人希望从少量的示例交互中有效学习的话。我们描述了一种学习方法,作为朝着这个方向迈出的一步,我们教一个人形机器人如何玩零和十字架的游戏。考虑到可以训练多种多模态技能来玩这个游戏,我们将注意力集中在训练机器人感知游戏,并在这个游戏中进行交互。我们的多模态深度强化学习代理感知多模态特征,并在玩耍时表现出言语和非言语动作。使用模拟的实验结果表明,机器人可以学习赢得或绘制高达98%的游戏。一个试点测试所提出的多模式系统的目标游戏-整合语音,视觉和手势-报告,合理和流畅的互动,可以实现使用所提出的方法。
2016-11-26 cs.AI cs.LG cs.RO
Reinforcing Human Behavior Simulation via Verbal Feedback
Carnegie Mellon University(卡内基梅隆大学);Microsoft(微软)
本文提出DITTO模型,通过将言语反馈作为强化学习中的首要信号来提升LLM模拟人类行为的能力,并引入SOUL基准测试平台,展示了在多个任务中显著提升性能的成果。
2026-05-19 cs.CL cs.LG
Self-Review Reinforcement Learning (SRRL) with Cross-Episode Memory and Policy Distillation
研究针对强化学习中环境反馈稀疏或延迟问题,提出自我审查强化学习框架,通过策略梯度优化自我审查,经选择性蒸馏内化改进到基础策略,用跨情节记忆保留成功审查,在GSM8K基准上评估,该框架优于基线且学习效率更高。
2026-07-08 cs.AI cs.LG
Reflective Verbal Reward Design for Pluralistic Alignment
University of Waterloo(滑铁卢大学)
本文提出一种通过反思性对话构建个性化语言奖励模型的方法,以解决人类价值观多元性下聚合奖励模型压制少数偏好问题,实验显示准确性提升9-12%且样本效率更高。
2025-06-21 cs.AI cs.HC
On the effectiveness of reward functions in reinforcement learning for confidence calibration of large language models
School of Computing National University of Singapore(新加坡国立大学计算机学院);Institute of Advanced Intelligence and Computing(高级智能与计算研究所);Agency for Science, Technology and Research(科技研究局);Department of Electrical & Computer Engineering(电气与计算机工程系)
研究大语言模型用强化学习训练以提升推理准确性和表达置信度时,奖励函数的设计问题。提出不可破解置信奖励方案概念并定义相关奖励方案谱,指出实际数据集中存在的问题及最佳校准奖励方案因数据集和应用而异。
2026-10-07 cs.LG
Batch Recurrent Q-Learning for Backchannel Generation Towards Engaging Agents
Koç University(科奇大学);College of Engineering, Koç University(科奇大学工程学院)
在人机交互过程中,智能体生成适当的语言和非语言反向通道的能力大大增强了交互体验。反向通道在辅导和咨询等需要用户持续关注和参与的应用中尤为重要。我们在这里提出了一种在强化学习(RL)框架内训练机器人在人机交互期间生成反向通道的方法,目标是保持高参与度。由于通过与人类交互进行在线学习非常耗时且不切实际,因此我们利用记录的人对人数据集并将我们的问题作为批量强化学习问题来解决。该数据集被用作通过某种行为策略获取的批量数据。我们进行实验,笑作为一个反向通道和训练代理与基于价值的技术。特别是,我们证明了递归层在近似价值函数这个问题的有效性,提高了部分可观察环境中的性能。与政策外的政策评估,它表明,RL代理预计将产生更多的参与比代理从模仿学习训练。
2019-08-06 cs.AI cs.LG
TEMPERA: Test-Time Prompting via Reinforcement Learning
UC Berkeley(加州大学伯克利分校);Google Research(谷歌研究院);University of Alberta(阿尔伯塔大学)
在zero-shot或少样本学习中使用大语言模型时,仔细的提示设计至关重要。因此,人们对设计最佳提示的自动化方法越来越感兴趣。在这项工作中,我们提出了测试时提示编辑使用强化学习(CHTA)。与现有的提示生成方法相比,该方法可以有效地利用先验知识,适应不同的查询,并为每个查询提供可解释的提示。为了实现这一目标,我们设计了一个新颖的动作空间,允许灵活编辑的初始提示,涵盖了广泛的常用组件,如指令,Few-Shot范例,和verbalizers。与最近的SoTA方法(如提示微调,AutoPrompt和RLPrompt)相比,所提出的方法在各种任务(包括情感分析,主题分类,自然语言推理和阅读理解)中取得了显着的收益。与传统的微调方法相比,我们的方法在样本效率上平均提高了5.33倍。
2022-11-21 cs.AI cs.CL
A MultiModal Social Robot Toward Personalized Emotion Interaction
The George Washington University(乔治华盛顿大学)
人类的情感通过多种方式表达,包括语言和非语言信息。此外,人类用户的情感状态可以是参与和成功交互的水平的指标,适合于机器人用作通过交互优化机器人行为的奖励因素。本研究展示了一个多模态人机交互(HRI)框架与强化学习,以提高机器人的交互政策和个性化的人类用户的情感互动。我们的目标是在社交场景中应用这个框架,让机器人生成一个更自然、更吸引人的HRI框架。
2021-10-08 cs.AI cs.RO
Aligning Paralinguistic Understanding and Generation in Speech LLMs via Multi-Task Reinforcement Learning
Meta Reality Labs(Meta现实实验室)
本文提出通过多任务强化学习提升语音大语言模型对语用信息的理解与生成,实验表明在多个数据集上比监督模型和 proprietary 模型提升了8-12%的性能。
2026-03-16 cs.AI cs.CL
One Frozen Simulator Is Not Enough: Simulator Collapse in Multi-Agent RL
Northeastern University(东北大学);New York University(纽约大学);UC Berkeley(加州大学伯克利分校);University of Washington(华盛顿大学);Stanford University(斯坦福大学)
针对人机交互多智能体强化学习中单个LLM模拟器导致的策略泛化缺陷,提出Verbalized Sampling和Co-Training两种方案,在多轮基准测试和真实用户研究中显著提升了性能,发布了开源框架SCOPE。
2026-11-18 cs.AI cs.CL cs.LG
Refine and Imitate: Reducing Repetition and Inconsistency in Persuasion Dialogues via Reinforcement Learning and Human Demonstration
Columbia University(哥伦比亚大学);University of California Davis(加州大学戴维斯分校);Intel Labs(英特尔研究院)
说服性对话系统反映了机器在口头交流之外进行战略行动的能力,因此区别于面向任务或开放领域的对话系统,具有自己独特的价值。然而,重复和不一致的问题仍然存在于对话响应生成中,并且可能严重影响用户体验并阻碍说服结果。此外,尽管强化学习(RL)方法在游戏等战略任务中取得了巨大成功,但它们需要一个复杂的用户模拟器来向对话系统提供实时反馈,这限制了RL在说服对话中的应用。为了解决这些问题,以更好的说服对话系统,我们应用强化学习细化语言模型基线没有用户模拟器,并通过奖励提取重复,不一致和任务相关性的重复级别的信息。此外,为了更好地完成说服任务,该模型从人类示范学习模仿人类的说服行为,并选择最有说服力的反应。实验结果表明,该模型在捐赠说服任务中的自动评价和人工评价结果均优于现有的对话模型,并根据用户反馈生成更多样化、一致性和说服力更强的对话。
2022-10-22 cs.AI cs.CL
Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting
New York University(纽约大学);Microsoft(微软)
ECHO通过回顾轨迹重写提升LM代理的样本效率,有效利用过去经验以更快适应新环境。
2026-01-02 cs.AI cs.CL cs.LG
Process Supervision via Verbal Critique Improves Reasoning in Large Language Models
Mindify AI Research(Mindify AI研究院);University of London(伦敦大学);Senate House, Malet Street, London WC1E 7HU, United Kingdom(伦敦大学 Senate House, 马莱特街, 伦敦 WC1E 7HU, 英国)
本文提出通过外部口头监督提升大语言模型推理能力的方法,通过结构化自然语言批评指导生成-批评-完善循环,提升推理性能和准确性。
2026-04-23 cs.AI cs.CL
Meta-Policy Reflexion: Reusable Reflective Memory and Rule Admissibility for Resource-Efficient LLM Agent
Tongji University(同济大学)
本文提出元策略反思(MPR)框架,通过结构化元策略记忆与软硬机制结合,在不更新权重的情况下提升LLM智能体的跨任务适应性和执行准确性。
2025-09-08 cs.AI
Learning Proxemic Behavior Using Reinforcement Learning with Cognitive Agents
Escuela de Ingeniería, Universidad Central de Chile(智利中央大学工程学院);School of Information Technology, Deakin University(迪肯大学信息技术学院);Escola Politécnica de Pernambuco, Universidade de Pernambuco(伯南布哥大学伯南布哥理工学院)
近位学(Proxemics)是非语言交流的一个分支,主要研究人和动物的空间行为。这种行为是通信过程的重要组成部分,因为它划定了与另一个存在交互的可接受距离。随着越来越多的人与代理交互的研究,需要新的替代方案,允许最佳的通信,避免代理感到不舒服。几个作品考虑与认知代理人,人机交互技术和机器学习实现的知识行为。然而,环境考虑固定的个人空间和代理以前知道it.In这项工作中,我们的目标是研究如何代理在环境中的行为的基础上,ememic的行为,并提出了一个修改后的gridworld的目标。这种环境考虑了具有向代理人提供不同意信号的不一致行为的发行人。我们的研究结果表明,学习代理可以识别的空间时,发行人给出反馈代理的性能。
2021-08-08 cs.AI cs.HC
MemOrb: A Plug-and-Play Verbal-Reinforcement Memory Layer for E-Commerce Customer Service
Xiaoduo AI(小多AI);Fudan University(复旦大学);East China University of Science and Technology(东华大学);Shanghai Jiao Tong University(上海交通大学)
MemOrb 提出一种即插即用的语言强化记忆层,通过将多轮交互提炼为策略反思并存入共享记忆库来指导决策,无需微调即可显著提升客服智能体的多轮成功率和跨试验一致性。
2025-09-23 cs.AI cs.CL
Learning Preference Adaptation for Large Language Model Personalization via Verbal Reinforcement Learning
Software College, Northeastern University(东北大学软件学院);Ant International(蚂蚁国际)
本研究针对LLM个性化中通用偏好摘要冗余问题,提出无训练元学习框架AlignXada,经语言强化学习优化后在多任务多模型上提升性能且适配效果优于RAG。
2026-08-13 cs.AI cs.CL
Interactive Learning from Activity Description
University of Maryland(马里兰大学);Microsoft Research(微软研究院);Rutgers University(罗格斯大学)
我们提出了一种新的交互式学习协议,使培训请求履行代理口头描述他们的活动。与模仿学习(IL)不同,我们的协议允许教学代理以最适合他们的语言提供反馈。与强化学习(RL)中的奖励相比,描述反馈更丰富,并允许提高样本复杂度。我们开发了一个概率框架和一个算法,实际上实现了我们的协议。两个具有挑战性的请求满足问题的实证结果表明,我们的方法的优势:与RL基线相比,它是更有效的样本;与IL基线相比,它实现了有竞争力的成功率,而不需要教学代理能够证明所需的行为使用学习代理的行动。除了经验评估,我们还提供了理论保证,我们的算法在一定的假设下的教师和环境。
2021-06-14 cs.AI cs.CL cs.HC
CLIN: A Continually Learning Language Agent for Rapid Task Adaptation and Generalization
Allen Institute of AI(艾伦人工智能研究所);University of Pennsylvania(宾夕法尼亚大学);University of Arizona(亚利桑那大学)
CLIN通过持久动态的因果抽象文本记忆,在无需参数更新的情况下持续改进,并在ScienceWorld基准上超越Reflexion,实现快速任务适应与泛化。
2023-10-16 cs.AI cs.CL cs.LG
Agent-as-Tool: A Study on the Hierarchical Decision Making with Reinforcement Learning
Independent Researcher(独立研究者)
本文提出Agent-as-Tool层次化框架,将工具调用与推理过程分离,仅用180个样本微调即在Bamboogle上以63.2%精确匹配超越Search-R1。
2025-07-02 cs.AI cs.MA
Learning to Generate Pointing Gestures in Situated Embodied Conversational Agents
Division of Speech, Music and Hearing, KTH Royal Institute of Technology(语音、音乐与听觉系,皇家理工学院)
提出结合模仿与强化学习的框架,在具身智能体中生成物理有效且高指代准确度的指示手势,优于监督模型基线。
2025-09-15 cs.HC cs.LG cs.RO
Explanation of Reinforcement Learning Model in Dynamic Multi-Agent System
Shanghai University(上海大学);University of Pittsburgh(匹兹堡大学)
最近,人们对深度强化学习(DRL)系统的透明度和可解释性越来越感兴趣。口头解释作为我们日常生活中最自然的交流方式,值得更多的关注,因为它们可以让用户更好地了解系统,最终可以导致高度的信任和顺利的协作。本文报道了一种新的工作,在生成口头解释DRL行为代理。一个基于规则的模型被设计为使用一系列的规则,这些规则是预先定义的先验知识来构造解释。然后提出了一个学习模型,通过采用基于规则的解释作为训练数据,将生成口头解释的隐逻辑扩展到一般情况。该学习模型具有更好的灵活性和泛化能力比静态的基于规则的模型。这两个模型的性能通过客观指标进行定量评估。结果表明,两种模型产生的口头解释提高了用户对DRL系统的可解释性的主观满意度。此外,七个变体的学习模型的设计,以说明输入通道,注意力机制,并提出编码器在提高口头解释的质量的贡献。
2020-12-24 cs.AI
On Reality and the Limits of Language Data: Aligning LLMs with Human Norms
University of Cambridge(剑桥大学);Monash University(莫纳什大学)
本文通过新型ART测试比较GPT-3与人类规范,揭示LLM在部分常识关系上表现不足,提出结合符号世界接地以提升物理世界理解。
2023-05-09 cs.AI cs.CL cs.LG
Generating Natural and Expressive Robot Gestures through Iterative Reinforcement Learning with Human Feedback using LLMs
University of New South Wales(新南威尔士大学);Universidad Central de Chile(智利中央大学)
针对社交机器人手势生成僵硬问题,提出将ChatGPT集成到Pepper机器人中生成共语手势,并引入基于人类反馈的迭代强化学习(RLHF)优化手势,实验表明RLHF提升了手势的表现力、相关性和流畅性。
2026-06-18 cs.AI cs.RO
Verco: Learning Coordinated Verbal Communication for Multi-agent Reinforcement Learning
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Microsoft(微软公司)
本文提出一种嵌入大型语言模型的多智能体强化学习算法Verco,通过消息模块和动作模块实现人类可理解的语言通信,显著提升了协作性能与学习效率。
2024-04-27 cs.AI cs.MA
Test-time Calibration Learning for Large Language Model Reasoning
Hong Kong Baptist University(香港浸会大学)
提出测试时校准学习(TTCL),一种无标签框架,在未标注目标数据上联合优化推理准确性和置信度校准,显著提升模型性能。
2026-10-05 cs.AI cs.LG
Crystal: Introspective Reasoners Reinforced with Self-Feedback
Paul G. Allen School of Computer Science & Engineering, University of Washington(华盛顿大学保罗·G·艾伦计算机科学与工程学院);FAIR, Meta(Meta 基础人工智能研究院);Allen Institute for Artificial Intelligence(艾伦人工智能研究所)
提出内省式常识推理器 Crystal,通过强化学习调优知识内省与基于知识的推理模式,利用模型自反馈作为奖励,显著提升了推理性能与透明度。
2023-10-18 cs.AI cs.CL cs.LG
OPTAGENT: Optimizing Multi-Agent LLM Interactions Through Verbal Reinforcement Learning for Enhanced Reasoning
Virginia Tech(弗吉尼亚理工大学);College of William and Mary(威廉与玛丽学院);Amazon Alexa AI(亚马逊Alexa人工智能)
针对现有多智能体LLM推理系统交互质量被忽视、易压制弱势正确贡献的问题,提出OPTAGENT言语强化学习算法,通过动态优化协作结构与辩论通信质量,在多类推理任务上显著优于现有方法。
2025-10-20 cs.AI cs.MA
Large Behavior Model: A Promptable Digital Twin of the Retail Customer
Amity Research and Application Center (ARAC), Amity AI Holdings Co., Ltd.(友好研究与应用中心(ARAC),友好人工智能控股有限公司)
研究旨在解决客户行为建模问题,提出大型行为模型(LBM),通过统一公式从零售交易学习客户决策,经多种训练方式优化。该模型在多任务中表现出色,消融研究揭示各因素作用,为客户数字孪生体和行为模拟提供可扩展基础。
2026-07-13 cs.AI
Linguistic Calibration of Long-Form Generations
Stanford University(斯坦福大学)
针对语言模型幻觉导致用户决策次优的问题,提出通过监督微调与强化学习训练框架实现长文本生成的语言校准,使模型输出带置信度声明,显著提升了下游决策的校准性。
2024-06-04 cs.AI cs.CL cs.LG
From Critic to Confidence: PPO for Language-Based Quantitative Prediction with Confidence Estimation
University of California, Santa Barbara(加利福尼亚大学圣巴巴拉分校)
研究基于语言的定量预测中模型易出错问题,提出CARE-PPO强化学习框架,通过建立损失预测与近端策略优化微调的联系,联合学习数值估计与置信度信号,在多任务和模型规模上提升预测性能与置信度估计,减少过拟合。
2026-07-15 cs.AI cs.CL
Bridging the Communication Gap: Artificial Agents Learning Sign Language through Imitation
University of Manchester(曼彻斯特大学);Manchester Centre for Robotics and AI(曼彻斯特机器人与人工智能中心);Department of Computer Science, University of Manchester(曼彻斯特大学计算机科学系)
本文提出融合计算机视觉、深度学习与强化学习的模仿学习框架,使模拟人形机器人仅依靠视频即可学会5种美国手语手势。
2024-06-14 cs.AI cs.GR cs.HC
COUNTERMEM: World-Model Verified Counter-Factual Memory for Language Agents
COUNTERMEM提出一种强化学习框架,利用世界模型验证反事实记忆,提升语言智能体跨任务性能,在12个基准上平均提升12.6个百分点。
2026-09-29 cs.AI
Grounding Language Models in Autonomous Loco-manipulation Tasks
Istituto Italiano di Tecnologia(意大利技术研究院)
本文提出结合强化学习、全身优化与大语言模型的框架,通过运动库和分层任务图实现人形机器人从自由文本指令到长程移动操作任务的自主规划与执行。
2024-09-02 cs.AI cs.LG cs.RO
Grounding Language to Autonomously-Acquired Skills via Goal Generation
Sorbonne Université(索邦大学);Inria(法国国家信息与自动化研究所)
我们感兴趣的是自主获得技能的剧目。有条件的强化学习(LC-RL)方法是这方面的重要工具,因为它们允许将抽象目标表达为状态约束集。然而,大多数LC-RL代理都不是自主的,并且在没有外部指令和反馈的情况下无法学习。此外,他们的直接语言条件不能解释前语言婴儿的目标导向行为,并强烈限制了对给定语言输入的行为多样性的表达。为了解决这些问题,我们提出了一个新的概念方法语言条件强化学习:目标-行为架构(LGB)。LGB通过对世界的中间语义表示来整合技能学习和语言基础。为了展示LGB的属性,我们提出了一个特定的实现称为DECSTR。DECSTR是一种内在动机的学习代理,具有描述物理对象之间空间关系的内在语义表示。在第一阶段(G -> B),它自由地探索其环境,并以自我生成的语义配置为目标。在第二阶段(L -> G)中,它训练语言条件目标生成器以生成与基于语言的输入中表达的约束相匹配的语义目标。我们展示了LGB w.r.t.的其他特性。端到端LC-RL方法和利用非语义、连续中间表示的类似方法。中间语义表示有助于以多种方式满足语言命令,在失败后实现策略切换并促进语言基础。
2021-01-25 cs.AI cs.LG stat.ML
Reasoning about Uncertainty: Do Reasoning Models Know When They Don't Know?
Princeton University(普林斯顿大学)
本文研究推理语言模型的不确定性量化,发现其普遍过度自信且推理越深越严重,并提出内省式UQ方法,证明部分模型可通过反思思维链改善校准。
2025-07-18 cs.AI cs.CL
LanteRn: Latent Visual Structured Reasoning
Instituto de Telecomunicações(电信研究所);Instituto Superior Técnico, Universidade de Lisboa(里斯本大学高等技术学院);Carnegie Mellon University(卡内基梅隆大学)
本文提出LanteRn框架,通过将语言与紧凑的潜在视觉表示结合,使大多模态模型能在潜在空间中进行视觉推理,提升视觉理解和细粒度推理能力。
2026-07-28 cs.CV cs.LG
Large Language Model (LLM) for Telecommunications: A Comprehensive Survey on Principles, Key Techniques, and Opportunities
School of Computer Science, McGill University(麦吉尔大学计算机科学学院);School of Electrical and Computer Engineering, McGill University(麦吉尔大学电气与计算机工程学院);Samsung Research America(三星美国研究院);Department of Electrical and Computer Engineering, Western University(西安大略大学电气与计算机工程系);School of Computing Science, Simon Fraser University(西蒙菲莎大学计算科学学院)
该综述全面梳理了大语言模型(LLM)在电信领域的应用,涵盖LLM基础原理、关键技术与典型应用场景,分析了现存挑战并指明未来研究方向,为LLM赋能6G与电信智能化提供了系统性参考。
2024-09-16 cs.LG cs.SY eess.SY
Can an Agent Learn to Predict Its Own Failure? Outcome-Grounded Confidence Calibration in LLM Agents
SAP(思爱普(SAP))
该研究提出基于多步骤任务最终结果的置信度校准方法,在GRPO下结合合适评分规则,经离线和在线RL验证,可提升LLM智能体的置信度预测能力,且不降低任务成功率。
2026-10-14 cs.AI cs.LG
Internalizing the Future: A Unified Agentic Training Paradigm for World Model Planning
Fudan University(复旦大学);Shanghai Innovation Institute(上海创新研究院);Tencent Youtu Lab(腾讯优图实验室)
提出一种三阶段训练范式(WM-AMT、FE-SFT、FC-RL),使LLM智能体内化世界模型以进行前瞻性规划,在搜索和数学推理任务上优于基线方法。
2026-06-29 cs.AI
Robix: A Unified Model for Robot Interaction, Reasoning and Planning
ByteDance Seed(字节跳动 Seed)
Robix是一个统一视觉-语言模型,作为机器人高层认知层,通过三阶段训练(持续预训练、监督微调、强化学习)整合推理、规划与交互,在交互式任务执行中超越GPT-4o等基线。
2025-09-11 cs.AI cs.CV cs.RO
Agent-BRACE: Decoupling Beliefs from Actions in Long-Horizon Tasks via Verbalized State Uncertainty
UNC Chapel Hill(北卡罗来纳大学教堂山分校);The University of Texas at Austin(德克萨斯大学奥斯汀分校);Microsoft Research(微软研究院)
Agent-BRACE 通过解耦信念状态模型与策略模型,利用强化学习优化,在长 horizon 部分可观测任务中提升性能,实现上下文窗口恒定且任务相关信息保留。
2026-05-12 cs.AI cs.CL
TimeRLM: Recursive Language Models Enable Precise Anomaly Localization in Long-Context Time-Series
提出TimeRLM(基于递归语言模型的时序异常定位框架),结合强化学习后训练后,在合成基准AnomalyXL及真实世界数据上,均优于现有时序语言模型,可实现长时序数据的精准异常定位。
2026-09-09 cs.LG
Self-Emergence Agent Architecture:Behavior-Inertia HMM, Reflexive Metacognition,and Social-Contrastive Self-Modeling
针对LLM智能体的人格漂移、非进化反思和缺乏自我-他者边界问题,提出SEAA架构,通过HMM编码惯性、反思循环更新参数及多智能体社会比较形成闭环,实现自发对称破缺,涌现出差异化人格与社会结构。
2026-09-16 cs.AI
Plug-and-Play Policy Planner for Large Language Model Powered Dialogue Agents
National University of Singapore(新加坡国立大学);The Chinese University of Hong Kong(香港中文大学)
针对大语言模型对话策略规划能力受限、难迁移的问题,提出即插即用策略规划器PPDPP,通过监督微调与目标导向强化学习训练,在三类主动对话任务上显著优于现有方法。
2024-03-11 cs.AI cs.CL
Adaptive Video Understanding Agent: Enhancing efficiency with dynamic frame sampling and feedback-driven reasoning
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon AGI(亚马逊AGI)
本文提出基于 LLM 的自适应视频理解智能体,利用查询自适应动态帧采样与自反思反馈推理,在多个基准上提升性能并减少采样帧数。
2024-10-26 cs.AI cs.CV
Do Vision-Language-Action Models Mean What They Say? On the Role of Faithfulness in Embodied Reasoning
Stanford University(斯坦福大学);Politecnico di Milano(米兰理工大学);KTH Royal Institute of Technology(皇家理工学院);Italian Institute of Artificial Intelligence (AI4I)(意大利人工智能研究所);NVIDIA Research(英伟达研究院)
研究视觉语言动作模型中具身思维链是否真实反映决策过程。区分功能推理与忠实推理,指出当前对齐策略不足,通过人类评估揭示差距,用学习的评论家操作具身忠实性的行为替代物,强化学习后训练策略提升了忠实性。
2026-07-07 cs.AI cs.RO
From Debate to Decision: Conformal Social Choice for Safe Multi-Agent Deliberation
AWS Generative AI Innovation Center(AWS生成式AI创新中心);HSBC Holdings Plc., HSBC Technology Center, China(汇丰控股有限公司,汇丰科技中心,中国)
本文提出Conformal Social Choice方法,通过后处理层将辩论输出转化为校准的行动与升级决策,确保正确答案的概率覆盖,提升多智能体辩论的安全性。
2026-10-21 cs.AI cs.MA cs.SI