Dream2Discern:自造困难样本预测多智能体系统运行时失败

RutgersU · hf · 2026-10-19

Rutgers、UT Austin 与 Amazon 的论文提出 Dream2Discern,一种用于 LLM 多智能体系统的运行时审计器。训练数据扩充通常需要昂贵的轨迹执行与结果验证,该方法利用审计器自身的预测损失引导隐式数据增强:挑选能推高预测损失的表示扰动,生成「困难隐式变体」,把有限的已验证轨迹语料变成可再生的困难样本来源,无需新的轨迹收集或结果验证。在 AFTRAJ-2K 和 StepShield 上,性能超越同类失败审计器,轨迹级准确率超过 90%。