sequential-decisions

#sequential-decisions

偏好后训练中多样成功轨迹的直接多样性优化

arXiv cs.CL ↗ · 2026-09-10 缓存

直接多样性优化（DDO）是一种离线后训练方法，它改进了用于序贯决策任务的大语言模型（LLM）代理的成功策略覆盖，并在基准测试（如BabyAI、BabaIsAI和WebShop）中优于其他方法。

0 人收藏 0 人点赞