When Weak LLMs Speak with Confidence, Preference Alignment Gets Stronger
EPFL(苏黎世联邦理工学院);Sharif University of Technology(谢赫·穆吉加布大学)
本文提出CW-PO框架,利用弱LLM的置信度加权实现更高效的偏好对齐,仅用20%的人类标注即可超越传统方法。
2026-03-05 cs.AI cs.CL
The Marathon of Scientific Reasoning: Robustness of Scientific Agents to Perturbations in Multi-Turn Interactions
Inria(法国国家信息与自动化研究所);Agency for Science, Technology and Research (A*STAR)(新加坡科技研究局);Zhejiang Key Laboratory of Artificial Intelligence of Things (AIoT) Network and Data Security(浙江省人工智能物联网网络与数据安全重点实验室)
本研究提出SciARP基准,通过620个科学问题和13种扰动类型评估八个LLM科学智能体的鲁棒性,发现扰动效应与任务进展可解耦、强基线不一定鲁棒、扰动影响具有时滞传播性。
2026-09-29 cs.AI
Failure Makes the Agent Stronger: Enhancing Accuracy through Structured Reflection for Reliable Tool Interactions
Vision Agent Team, Meituan(美团视觉代理团队);MeiGen AI Team, Meituan(美团MeiGen AI团队)
本文提出结构化反思方法,通过显式反思和优化提升工具交互的可靠性,实验表明在多轮工具调用中显著提高成功率并减少冗余调用。
2026-04-15 cs.AI cs.CL cs.CV
AgentPatch: Coarse-to-Fine Weak-Task Repair for Merging Agentic Multimodal Large Language Models
针对智能体多模态大语言模型合并时的弱任务退化与关键行为遗忘问题,提出无需训练的AgentPatch框架,通过由粗到细修复实现能力平衡,提升合并模型性能。
2026-08-10 cs.AI cs.CV
Stay in Character, Stay Safe: Dual-Cycle Adversarial Self-Evolution for Safety Role-Playing Agents
Baidu Inc.(百度公司);The University of Queensland(昆士兰大学);Peking University(北京大学)
本文提出双循环对抗自进化框架,通过角色扮演防御机制提升安全性和角色忠实度,实验表明在多个大语言模型上有效提升角色扮演的稳定性与安全性。
2026-01-29 cs.AI
Interactive Learning for LLM Reasoning
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Sun Yat-sen University(中山大学);Southern University of Science and Technology(南方科技大学);National University of Singapore(新加坡国立大学)
本文提出ILR框架,通过动态交互和感知校准提升LLM独立问题解决能力,实验表明其在多个基准测试中优于单agent学习。
2026-07-07 cs.AI
From Weak Cues to Real Identities: Evaluating Inference-Driven De-Anonymization in LLM Agents
Department of Electrical and Computer Engineering, Virginia Tech, Blacksburg, VA, USA(弗吉尼亚理工学院计算机工程系);Center for Advanced AI, Accenture(Accenture高级人工智能中心)
研究通过LLM代理结合分散的非识别线索与公开证据重建真实身份的能力,揭示了即使在没有明确标识符的情况下,代理也能以高成功率实现去匿名化,并提出了新的隐私评估维度。
2026-05-29 cs.AI
World Model Science: Self-Organized Criticality, Weak Chaos, and Metastable Belief Dynamics in Long-Horizon LLM Agents
Emory University(埃默里大学);The University of Tokyo(东京大学);LocationMind
该研究通过自组织临界性、弱混沌和亚稳态信念动力学三个视角,分析长时程LLM智能体的轨迹,提出基于轨迹级动力学诊断的世界模型科学方法,并在22项实验中验证其有效性。
2026-10-30 cs.AI
Used Car Salesbots? Honesty and Credulity of LLMs as Bargaining Agents under Partial Information
University of Edinburgh(爱丁堡大学)
研究LLM代理在模拟讨价还价场景中的表现,发现它们偏离博弈论均衡,尝试撒谎但无法有效利用信息不对称,且优化财务效用会增强谈判能力但增加不诚实行为。
2026-05-29 cs.AI cs.CL cs.GT
RecoAtlas: A Benchmark and RL Environment for LLM Recommendation Agents Optimizing Set-Level Utility
Criteo AI Lab(Criteo人工智能实验室)
本文提出RecoAtlas,一个用于评估购物代理的基准和工具包,通过行为基础的度量标准来评估推荐代理的性能,揭示语义合理性并不一定代表行为基础的效用。
2026-11-04 cs.AI cs.IR cs.LG
Training Agents with Weakly Supervised Feedback from Large Language Models
Tencent Inc(腾讯公司)
针对现有LLM智能体依赖专家轨迹或明确反馈的局限,提出用评判LLM的弱监督信号迭代训练智能体的方法,无需专家轨迹或明确反馈,在API-bank数据集上性能与GPT-4相当且持续提升。
2024-11-29 cs.AI cs.CL
Defense-to-Attack: Bypassing Weak Defenses Enables Stronger Jailbreaks in Vision-Language Models
Fudan University(复旦大学);City University of Hong Kong(香港城市大学)
提出 Defense2Attack 越狱方法,通过将弱防御模式纳入攻击流程指导越狱提示设计,在单次尝试中即优于需多次尝试的最先进攻击方法,显著提升了对视觉语言模型的攻击效果与效率。
2025-09-16 cs.AI cs.CV
Multiple Weaks Win Single Strong: Large Language Models Ensemble Weak Reinforcement Learning Agents into a Supreme One
Department of Electronic Engineering, BNRist, Tsinghua University(电子工程系、BNRist、清华大学)
针对现有强化学习模型集成方法缺乏任务语义理解、适应性有限的问题,提出LLM-Ens方法,利用大语言模型划分任务情境并动态选择最优智能体,在Atari基准上性能超知名基线最高20.9%。
2025-05-21 cs.AI cs.LG
Scalable Weak-to-Strong Verifier Hardening for Agent Environments
Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学);Fewshot Corp(Fewshot公司)
本文提出可扩展弱到强验证器强化方法,通过黑客-修复循环修复智能体环境验证器漏洞,在Terminal Bench等基准上降低攻击成功率,相关循环已被官方仓库采用。
2026-10-14 cs.AI cs.CR cs.LG
WESE: Weak Exploration to Strong Exploitation for LLM Agents
University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
针对现有LLM智能体忽略探索利用过程、在开放世界交互任务中易产生次优解且成本高的问题,提出WESE方法,通过弱智能体探索、知识图谱存储提取相关知识来增强强智能体,在四个基准上显著提升成功率与效率。
2024-04-11 cs.AI cs.MA
IFCMemoryBench: Evaluating Long-Term Memory of LLM-Based Agents in BIM Information Retrieval
Technical University of Munich(慕尼黑工业大学);Nemetschek Group(Nemetschek集团)
本文推出IFCMemoryBench基准,评估基于LLM的智能体在BIM信息检索中的长期记忆,发现现有通用记忆系统在该场景下表现差,存在领域迁移差距。
2026-07-30 cs.AI cs.IR
Understanding and Exploiting Initialization Anchoring Weakness in Feedback-Based Agent Planning
Shandong University(山东大学)
本研究揭示基于反馈的智能体规划存在初始化锚定弱点,提出黑盒攻击框架InitAnchor,利用方向偏移、上下文合理性和反证韧性信号,在112个任务中实现高达76.1%的攻击成功率,表明早期偏差难以被后续纠正消除。
2026-09-25 cs.AI cs.CR
TSR: Trajectory-Search Rollouts for Multi-Turn RL of LLM Agents
Technical University Munich(慕尼黑技术大学);IBM Research(IBM研究院)
本文提出TSR,一种在训练时改进每轮轨迹生成的方法,通过轻量级树状搜索构造高质量轨迹,提升rollout质量和学习稳定性,适用于多轮RL任务。
2026-09-29 cs.AI cs.CL cs.LG
Understanding the Weakness of Large Language Model Agents within a Complex Android Environment
Peking University(北京大学);Microsoft Research(微软研究院)
本研究提出AndroidArena基准,评估LLM智能体在复杂安卓环境中的表现,发现其在跨应用和约束遵循上的弱点,并通过探索策略提升成功率27%。
2024-02-09 cs.AI cs.HC cs.SE
The Amazing Agent Race: Strong Tool Users, Weak Navigators
University of Minnesota Twin Cities(明尼苏达大学双城分校);Yonsei University(延世大学);Grammarly
本文提出AAR基准测试,通过有向无环图谜题评估智能体的导航与工具使用能力,发现线性基准无法检测到导航失误问题。
2026-04-17 cs.AI cs.CL cs.LG
SidConArena: An Environment Evaluating Agents in Open-Ended,Positive-Sum Bargaining Game
Institute for Interdisciplinary Information Sciences, Tsinghua University(清华大学交叉信息研究院)
提出SidConArena基准框架,通过三阶段部分可观测随机博弈评估LLM智能体在开放、正和谈判中的经济决策能力,发现前沿模型虽表现更好但仍存在资源误估、谈判被动和长期规划不足。
2026-06-29 cs.AI cs.GT cs.MA
SWE-Together: Evaluating Coding Agents in Interactive User Sessions
Meta
提出SWE-Together基准,从真实用户-代理编码会话中重建多轮交互任务,并利用基于LLM的用户模拟器评估编码代理的协作能力,发现强代理成功率更高且干预更少。
2026-06-29 cs.AI cs.CL cs.SE
Diversity of Thought Elicits Stronger Reasoning Capabilities in Multi-Agent Debate Frameworks
University of Montreal(蒙特利尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所)
研究通过多智能体辩论框架发现,思想多样性显著提升LLM推理能力,中等规模模型在GSM-8K基准测试中超越GPT-4,达到91%准确率,同时在ASDiv基准测试中创下新纪录。
2025-01-23 cs.AI cs.CL cs.LG
Know Your Agent: Reconnaissance-Driven Pentesting of AI Agents
研究针对人工智能智能体的渗透测试,提出通过形式化智能体侦察,在KYA框架中利用探测、构建配置文件等实现黑盒侦察驱动的渗透测试自动化,并进行评估与发布,以提升智能体安全性。
2026-09-16 cs.AI cs.CR cs.LG
UserHarness: Harnessing User Minds for Stronger Agent Theory-of-Mind
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
提出UserHarness框架,通过显式重建用户心智状态(信念、意图等)进行心理理论推理,在五个基准上达到95.94%的宏准确率,相对提升超15%。
2026-05-26 cs.AI cs.CL
Whatever Does Not Kill Deep Reinforcement Learning, Makes It Stronger
Kansas State University(堪萨斯州立大学)
最近的发展已经确定了深度强化学习(RL)通过对抗性扰动对策略操纵攻击的脆弱性。在本文中,我们研究了深度RL对训练时和测试时攻击的鲁棒性和弹性。通过实验结果,我们证明了在非连续训练时间攻击下,深度Q网络(DQN)代理可以通过反应性地调整策略来恢复和适应对抗条件。我们的研究结果还表明,在对抗性扰动下学习的策略对测试时攻击更鲁棒。此外,我们比较了$ε$贪婪和参数空间噪声探测方法在对抗性扰动的鲁棒性和弹性方面的性能。
2017-12-23 cs.AI
Next Embedding Prediction Makes World Models Stronger
NE-Dreamer通过时间转换器预测下一步嵌入,无需解码器即可在复杂环境中提升基于模型的强化学习性能。
2026-03-03 cs.AI cs.LG
Weak-for-Strong: Training Weak Meta-Agent to Harness Strong Executors
Stanford University(斯坦福大学);EPFL(洛桑联邦理工学院);UNC-Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出以弱驭强框架W4S,将工作流设计建模为多轮马尔可夫决策过程,并用强化学习训练7B弱元智能体,使其以极低成本自动设计工作流来驾驭GPT-4o等强模型,在多个基准上显著超越基线并具备良好泛化能力。
2025-04-07 cs.AI
Rollout-Time Intervention: Unlocking Agentic Reinforcement Learning Beyond Policy Limits
Alibaba Group(阿里巴巴集团);Alibaba Token Hub(阿里巴巴令牌中心);HKUST (Guangzhou)(香港科技大学(广州));Amap(高德地图)
该研究针对智能体强化学习的同策略推理瓶颈,提出Rollout-Time Intervention技术,经五基准实验验证,其性能优于RL基线,可使策略超越原始能力边界。
2026-10-14 cs.AI
What Makes Interaction Trajectories Effective for Training Terminal Agents?
The University of Hong Kong(香港大学);Huawei Technologies(华为技术有限公司);Nanyang Technological University(南洋理工大学)
本文通过Terminal-Lego流水线研究交互轨迹的教学效能,发现低分代理(DeepSeek-V3.2)的轨迹比高分代理(Claude Opus 4.6)更能提升学生泛化能力,归因于环境接地监督(EGS),并展示了极佳的数据效率。
2026-06-02 cs.AI
LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents
Simular(西穆拉爾);University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
LEASH是一种无需训练的计算机使用智能体框架,通过三层潜在不确定性机制实现弱智能体按需升级强智能体并持续监督,在OSWorld数据集上提升任务成功率且降低推理成本。
2026-10-16 cs.AI
When the Tool Decides: LLM Agents Defer Blindly to Graph Neural Network Tools, and Stronger Backbones Defer More
raptorX.ai
研究LLM代理在使用GNN工具时是否真正判断而非盲目服从,发现代理在97.6-99.2%的情况下完全采纳GNN输出,且更强的骨干网络服从更多,选择性调用设计受限。
2026-06-15 cs.AI cs.LG
Plan Before Search: Search Agents Need Plan
Kuaishou Technology(快手科技);Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University(教育部多媒体可信感知与高效计算重点实验室,厦门大学);VCIP, CS, Nankai University(南开大学VCIP实验室)
提出Plan方法,通过将问题分解为有序子问题再进行检索,并引入自举训练范式,无需外部强模型蒸馏即可在多跳QA中激活规划能力。
2026-05-27 cs.AI
A Technique to Create Weaker Abstract Board Game Agents via Reinforcement Learning
Miami University(迈阿密大学)
棋盘游戏,除了单人游戏,至少需要一个其他玩家来玩。正因为如此,我们创建了人工智能(AI)代理,以便在对手失踪时与我们对抗。这些人工智能智能体是以多种方式创建的,但这些智能体的一个挑战是,与我们相比,智能体可能具有更优越的能力。在这项工作中,我们描述了如何创建玩棋盘游戏的较弱的人工智能智能体。我们使用井字游戏、九人莫里斯游戏和曼卡拉游戏,我们的技术使用强化学习模型,其中代理使用Q-学习算法来学习这些游戏。我们展示了这些代理如何学习完美地玩棋盘游戏,然后描述了我们制作这些代理的较弱版本的方法。最后,我们提供了一种方法来比较人工智能智能体。
2022-09-01 cs.AI cs.HC
Economy of Minds: Emerging Multi-Agent Intelligence with Economic Interactions
Harvard University(哈佛大学);Massachusetts Institute of Technology(麻省理工学院)
受哈耶克经济理论启发,通过拍卖和财富积累的简单经济信号实现去中心化信用分配,使弱智能体群体涌现出多步推理策略,在五个智能体任务中超越强单体基线。
2026-10-14 cs.AI cs.CL cs.MA
Attacking c-MARL More Effectively: A Data Driven Approach
IBM Research(IBM研究院);MIT-IBM Watson AI Lab(MIT-IBM沃森人工智能实验室);University of California San Diego(加州大学圣地亚哥分校)
本文提出基于模型的 c-MBA 方法评估合作多智能体强化学习(c-MARL)的鲁棒性,通过构造对抗状态扰动并引入首个受害智能体选择策略和数据驱动的目标故障状态定义,在无需专家知识的情况下实现了持续优于基线的对抗攻击。
2023-09-10 cs.AI cs.LG
Weak-Link Optimization for Multi-Agent Reasoning and Collaboration
University of Electronic Science and Technology of China(电子科技大学);Beihang University(北航);Xi'an University of Architecture and Technology(西安建筑科技大学)
本文提出WORC框架,通过识别并强化性能瓶颈智能体,提升多智能体系统的稳定性和泛化能力。
2026-04-17 cs.AI cs.CL cs.MA
From Imitation to Interaction: Mastering Game of Schnapsen with Shallow Reinforcement Learning
Vrije Universiteit Amsterdam(弗里兹大学阿姆斯特丹)
本文研究浅层神经网络代理是否能掌握纸牌游戏斯纳普森,并挑战使用蒙特卡洛采样和前瞻搜索的强搜索基线RdeepBot。通过逐步更复杂的实验设计,首先评估了基于回放数据训练的监督学习代理(MLPBot)以及通过异步蒙特卡洛更新和经验回放训练的强化学习代理(RLBot)。结果表明,监督模仿不足以击败强RdeepBot对手,而强化学习产生了更强的代理。在聚焦RdeepBot深度参数的设置中,最佳性能是在学习的价值函数与游戏过程中更深层次的前瞻搜索结合时实现的,使RLBot在最强的RdeepBot基线下实现了统计显著更高的胜率。在基于样本的设置中,收益更具条件性:最强性能出现在相对较低的训练num_samples参数下,而不是随着更强采样均匀增加。
2026-05-16 cs.AI cs.LG
Debate Helps Weak Judges Reward Stronger Models
Palaestra Research(帕莱斯特拉研究);Berkeley(伯克利)
研究在强辩手/弱裁判设置下的提议者-批评者辩论,发现当批评者分类能力超过裁判且裁判将批评者言论视为待验证的主张时,辩论能显著提升裁判表现,并可通过单一独立批评以更低成本实现类似效果。
2026-05-26 cs.AI cs.CL cs.LG
Exposing Weak Links in Multi-Agent Systems under Adversarial Prompting
Microsoft Research(微软研究院)
针对多智能体系统(MAS)在对抗性提示下的安全评估空白,提出统一可扩展框架SafeAgents及诊断指标Dharma,揭示设计选择对漏洞的影响,通过五种架构和四个数据集的研究强调安全感知设计的必要性。
2025-11-14 cs.AI cs.MA
Less, but Stronger: On the Value of Strong Heuristics in Semi-supervised Learning for Software Analytics
North Carolina State University(北卡罗来纳州立大学)
在许多领域中,有许多示例,而这些示例的标签却少得多;例如,我们可以访问数百万行源代码,但只能访问有关该代码的少数警告。在这些领域中,半监督学习器(SSL)可以将标签从少量示例外推到其余数据。标准SSL算法使用“弱”知识(即那些不基于特定SE知识的知识),例如(例如)共同训练两个学习器,并使用一个学习器的良好标签来训练另一个学习器。SSL在软件分析中的另一种方法是潜在地使用使用SE知识的“强”知识。例如,SE中经常使用的启发式方法是,异常大的工件包含不期望的属性(例如,更多的bug)。本文认为,这样的“强”算法比那些标准的,较弱的,SSL算法的性能更好。我们通过从使用弱SSL或我们的“更强”FRUGAL算法生成的标签中学习模型来证明这一点。在四个领域(区分与安全相关的错误报告;减轻决策中的偏见;预测问题关闭时间;以及(减少静态代码警告中的错误警报),FRUGAL只需要标记2.5%的数据,但性能优于依赖于(例如)的标准半监督学习器。一些独立于领域的图论概念。因此,对于未来的工作,我们强烈建议使用强大的算法来进行SE应用程序的半监督学习。为了更好地支持其他研究人员,我们的脚本和数据在https://github.com/HuyTu7/FRUGAL上在线。
2023-02-03 cs.AI cs.SE
Guided Collaboration in Heterogeneous LLM-Based Multi-Agent Systems via Entropy-Based Understanding Assessment and Experience Retrieval
Faculty of Data Science, City University of Macau(数据科学学院,澳门城市大学);Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center, Qilu University of Technology (Shandong Academy of Sciences)(计算能力网络与信息安全重点实验室,教育部,山东计算机科学中心,齐鲁工业大学(山东科学院));Shandong Provincial Key Laboratory of Computing Power Internet and Service Computing, Shandong Fundamental Research Center for Computer Science(山东省计算能力互联网与服务计算重点实验室,山东省计算机科学基础研究中心)
本文提出基于熵的理解评估和经验检索的引导协作框架,通过自适应引导和RAG机制提升异构多智能体系统的协作效果和稳定性。
2026-02-14 cs.AI cs.MA
Bootstrapping Conversational Agents With Weak Supervision
IBM Watson(IBM沃森);IBM Research AI(IBM研究院人工智能部门)
当今市场上的许多会话代理遵循标准的机器人开发框架,该框架需要训练意图分类器来识别用户输入。创建一组合适的训练样本的需求通常是开发过程中的瓶颈。在许多情况下,代理开发人员可以访问历史聊天日志,这些日志可以提供大量的训练样本。然而,用数十到数百个意图标记它们的成本通常会阻止充分利用这些聊天日志。在本文中,我们提出了一个框架称为\textit{search, label, and propagate}(SLP)的引导意图从现有的聊天日志使用弱监督。该框架通过使用搜索引擎查找示例,将数小时到数天的标记工作减少到几分钟的工作,然后依靠数据编程方法自动扩展标签。我们报告的用户研究,显示积极的用户反馈,这种新的方法来建立对话代理,并证明了使用数据编程自动标记的有效性。虽然该系统是为训练会话代理而开发的,但该框架在显着减少训练文本分类器的标记工作方面具有更广泛的应用。
2018-12-14 cs.AI cs.CL
Do I Need the Cloud? Uncertainty-Aware Step-Level Handoff for Small Language Model Agents
Sharif University of Technology(谢里夫理工大学)
针对小语言模型智能体,提出不确定性感知的步骤级切换框架STEPGATE,动态升级困难步骤至强模型,在匹配云动作率下显著提升任务成功率并减少远程传输。
2026-10-07 cs.AI cs.DC cs.ET
Learn from Weaknesses: Automated Domain Specialization for Small Computer-Use Agents
KAIST(韩国科学技术院);Samsung Electronics(三星电子)
提出LearnWeak框架,通过更强的参考代理识别学生代理在目标领域的弱点,自动合成针对性任务和监督信号,并引入误差感知专业化目标,显著提升小型计算机使用代理在多个领域的性能。
2026-05-27 cs.AI cs.CL cs.LG
Customer Sentiment Analysis using Weak Supervision for Customer-Agent Chat
Comcast Applied AI Research(康卡斯特应用人工智能研究院)
之前使用弱监督的情感分析工作主要集中在不同的评论上,如电影(IMDB),餐馆(Yelp),产品(亚马逊)。在这方面,由于缺乏免费的公共数据,一个未充分开发的领域是客户支持中客户-代理聊天的客户聊天数据。在这里,我们使用内部数据集的弱监督对客户聊天进行情感分析。我们使用弱监督来微调预训练的语言模型(LM)RoBERTa作为情感分类器。我们的贡献如下:1)我们表明,通过使用弱情感分类器以及特定领域的基于词典的规则作为标签功能(LF),我们可以训练一个相当准确的客户聊天情感分类器使用弱监督。2)我们将我们的定制训练模型的性能与现成的Google Cloud NLP API进行情感分析。我们表明,通过使用LF注入特定于领域的知识,即使监督较弱,我们也可以训练模型,使其比现成的Google Cloud NLP API更好地处理某些特定于领域的用例。3)我们还分析了聊天中的客户情绪与问题解决方案的关系。
2021-11-30 cs.AI cs.CL cs.LG
MACPO: Weak-to-Strong Alignment via Multi-Agent Contrastive Preference Optimization
University of Amsterdam(阿姆斯特丹大学);Baidu Inc.(百度公司);Shandong University(山东大学);Leiden University(莱顿大学)
针对LLMs超越人类时的弱到强对齐难题,提出MACPO框架,通过迭代强化正面行为、惩罚负面行为及多智能体协作策略,同时提升强学生与弱教师的对齐性能。
2025-03-02 cs.AI cs.CL
Invariant Policy Optimization: Towards Stronger Generalization in Reinforcement Learning
Princeton University(普林斯顿大学)
强化学习的一个基本挑战是学习在训练期间经历的操作域之外推广的策略。在本文中,我们通过以下不变性原则来解决这一挑战:代理必须找到一个表示,使得存在一个建立在此表示之上的动作预测器,该预测器在所有训练域中同时是最优的。直观地说,由此产生的不变策略通过找到成功动作的原因来增强泛化。我们提出了一种新的学习算法,不变策略优化(IPO),实现这一原则,并在训练过程中学习不变的政策。我们将我们的方法与标准的策略梯度方法进行比较,并展示了线性二次调节器和网格世界问题在看不见的域上的泛化性能的显着改善,以及机器人必须学会打开具有不同物理特性的门的例子。
2020-11-09 cs.AI cs.LG cs.RO
Reliable Weak-to-Strong Monitoring of LLM Agents
Scale AI;Carnegie Mellon University(卡内基梅隆大学);Massachusetts Institute of Technology(麻省理工学院)
本文提出监控红队工作流程和混合层次-顺序监控支架,通过SHADE-Arena及新扩展的CUA-SHADE-Arena对LLM智能体隐蔽不当行为进行压力测试,发现智能体感知显著降低监控可靠性,而混合支架可实现弱模型可靠监控强智能体的弱到强扩展效应,并证明针对性人类监督最有效。
2025-08-26 cs.AI cs.CR cs.LG
Vintix II: Decision Pre-Trained Transformer is a Scalable In-Context Reinforcement Learner
Applied AI Institute(应用人工智能研究所);Innopolis University(因诺波利斯大学);HSE(高等经济学院);ITMO University(ITMO大学);NUST MISIS(国立科技大学MISIS);MSU(莫斯科国立大学);Humanoid(Humanoid公司)
本文提出Vintix II,通过Flow Matching扩展DPT,实现跨多领域任务的强化学习,提升泛化能力。
2026-04-06 cs.AI cs.LG cs.RO
Policy Learning Using Weak Supervision
University of Toronto(多伦多大学);Vector Institute(矢量研究所);Northwestern University(西北大学);UC Santa Cruz(加州大学圣克鲁兹分校)
大多数现有的策略学习解决方案需要学习代理接收高质量的监督信号,例如强化学习(RL)中精心设计的奖励或行为克隆(BC)中的高质量专家演示。在实践中,这些质量监督通常是不可行的,或者是昂贵得令人望而却步。我们的目标是一个统一的框架,利用现有的廉价的弱监督,有效地执行策略学习。为了处理这个问题,我们把“弱监督”作为来自对等代理的不完美信息,并根据与对等代理的政策(而不是简单的协议)的“相关协议”来评估学习代理的政策。我们的方法明确地惩罚了过度适应弱监管的政策。除了理论上的保证,广泛的评估任务,包括RL与嘈杂的奖励,BC与弱示范,和标准的政策共同训练表明,我们的方法导致了显着的性能改善,特别是当学习环境的复杂性或噪音是高的。
2021-11-02 cs.AI cs.LG stat.ML
From Failures to Learnable Worlds: Policy-Conditioned Environment Generation for Navigation Agents
UNC Chapel Hill(北卡罗来纳大学教堂山分校)
该研究提出WEDGE框架,利用预训练导航智能体的失效模式生成针对性训练环境,在ProcTHOR等数据集上的实验显示,该框架可提升不同导航智能体的适应性能。
2026-10-15 cs.AI cs.CV cs.RO
Autodata: An agentic data scientist to create high quality synthetic data
Meta
提出Autodata方法,让AI代理充当数据科学家,通过元优化学习创建更优的训练和评估数据,在计算机科学、法律推理和数学推理任务上优于传统方法。
2026-07-07 cs.AI cs.CL cs.LG
A Multiagent CyberBattleSim for RL Cyber Operation Agents
Carleton University(卡尔顿大学);Defence Research and Development Canada(加拿大国防研究与发展局)
本文扩展 CyberBattleSim 以支持防御型蓝方智能体训练,并通过单独及红蓝联合训练验证联合训练可显著增强防御复杂攻击的能力。
2023-04-03 cs.AI cs.CR cs.LG