IB-RL：隔离双边强化学习提升战略对话智能体泛化

现有强化学习RL训练对话智能体时通常针对固定对手，导致策略利用对手特定规律，作者将其称为静态对手不匹配问题。为此提出的IB-RL让对话双方通过联合轨迹共同进化，但各自用独立优势、动作掩码和更新路径优化自身奖励。在Vehicle TeleSales任务上，IB-RL取得89.6%的Success@1，超过最优单边基线84.6%。在Deal-or-NoDeal任务中，IB-RL对DeepSeek V4 Pro达到98.4%的一致率，而最优单边基线仅86.4%。