Today for AI
返回热点榜
llm热度 12.9°

AI 聚合热点事件 · 2026/11/15

浙大研究：弱模型可当裁判训练出更强智能体

1 篇收录报道1 家独立信源交叉印证持续跟踪至 2026/11/15 02:59:28
全景综述与最新动态
1 家信源交叉印证

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。

最新动向/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。

逐小时热度走势

2 个完整观测小时
连续完整观测不足 3 个小时，暂不绘制趋势曲线。

报道时间线

共 1 篇 · 最新优先
  1. Rohan Paul (@rohanpaul_ai)T2·71 分

    浙大研究：弱模型可当裁判训练出更强智能体

    原标题：AI model that is itself bad at a task can still train another AI to do it well.

    • JEV 自身仅完成 42.9% 的 ALFWorld 任务，但作为步骤裁判可把 Qwen2.5-1.5B 策略的成功率从 72.8% 提到 82.9%
    • 逐步评分在整条轨迹结束后统一给出，并直接并入 GRPO 训练，无需每步调用 LLM 裁判或环境标签
    • 挑选裁判模型应看其评审记录轨迹的能力，而非其自身执行任务的能力