CoSIR:用「惊喜度降低」奖励训练 LLM 多智能体协作
iNLP-Lab · hf · 2026-10-15
多智能体协作需要共享证据、请求缺失信息并吸收队友贡献,但最终任务结果对单条消息的价值反馈很弱。研究者提出 CoSIR:用可验证的简单环境做后训练,学到能泛化到未见复杂任务的协作行为。
- 贝叶斯评估器按「团队惊喜度降低量」给共享信息打分(惊喜度=各 agent 基于自身证据给正确选项的负对数概率之和),请求则按假设信息如实提供后的潜在降幅打分
- 另设独立奖励鼓励 agent 在私有决策中真正使用收到的信息
- 对 Qwen3-4B/8B 和 Gemma-3-4B-it 自博弈后训练,在 7 个未见协作任务上取得最高总分,通用任务性能保持;行为分析显示私有证据披露增加、忽视队友输入的判定失败减少
「编程与Agent」频道最新
- 麦当劳 MCP 黑客松火了，开发者做「麦门胃」蒸馏你的点单偏好 — AlchainHust · 2026-10-15
- 跑了一天一夜的编码 agent,把计划炖成一锅 AI 糊糊 — RylanSchaeffer · 2026-10-15
- Doc2Harness 首测 LLM 编程 agent 框架工程:GPT-6 Astra 通过率 53%,近半仍失败 — Yuyao Ge · 2026-10-15
- 长程 Agent RL 训练配方研究:Muon 优化器+单 rollout 异步学习提升仓库级解题成功率 — Kai Ruan · 2026-10-15
- 浙大团队实测10种自蒸馏方法：多数未稳定超越GRPO — zju · 2026-10-15
- 产品设计师:不再关心底层,靠prompting agent比程序员出货还快 — talkaboutdesign · 2026-10-15