11:22
官方一手arXiv: DeepSeek@Senhao Wang, Chenghao Cai, Haitao Hu, Mingxing Huang, Xingguang Wang, Wenhao Li, Zecheng Lin
精选
推荐理由：IB-RL让对话双方独立对练，不靠固定对手。车销任务89.6% vs 基线84.6%，还胜过DeepSeek V4 Pro。
IB-RL
共 1 条相关 AI 资讯
8月10日
11:22
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%。