ALFWorld

浙江大学新论文提出，一个自身任务成功率仅 42.9% 的决策模型 JEV，在事后逐动作评审另一智能体的轨迹后，可将其在 ALFWorld 上的成功率从 72.8% 提升至 82.9%。该方法把评审模型给出的逐步评分并入 GRPO 训练，绕开了传统结果奖励对每一步同等归因、以及逐步标注需环境标签或 LLM 裁判的高成本问题。作者建议按“评审记录轨迹的能力”而非“自身执行能力”来挑选步骤裁判。