标签
本文提出了一种用于多轮共情对话的双循环自我进化框架，利用可验证的情感反馈来优化策略并调整训练分布。在SAGE上，它将Qwen3-8B的Overall得分从53.87提升至79.24，比均匀情感奖励强化学习高出7.23个百分点。