标签
介绍了WCM，一种世界评论模型，它联合预测未来的潜在状态并估计价值，以改进视觉-语言-行动强化学习的时间建模，在多个机器人操作基准上取得了最先进的结果。
本文系统评估了LLM在处理表格时的数据引用错误（DRE），并提出基于批评者的过滤和拒绝采样方法来提高答案准确性。一个轻量级的4B参数批评者模型在检测DRE方面达到了高准确率。
Critic-R引入了一个框架，使用评判模型在推理智能体和检索器之间提供内省反馈，在推理和训练时间同时提升智能体搜索性能，且无需重新训练智能体。
OpenAI 推出了 CriticGPT，这是一个基于 GPT-4 的模型，旨在捕捉 ChatGPT 代码输出中的错误。当人类训练员使用 CriticGPT 进行代码审查时，他们的成功率比没有辅助工具的训练员高 60%，解决了随着模型能力不断提升，RLHF 面临的根本局限。