浙大/百度论文:决策模型当演员不行,当老师却能大幅提升 agent 成功率
omarsar0 · x · 2026-11-13
论文《Actor, Judge, or Teacher?》系统研究长程 agent 中的决策模型(decision models)三种角色。关键发现:
- 演员普遍翻车:在 ALFWorld 上,三个决策模型和三个通用 LLM 全都会先做更简单的子目标,跳过必须先完成的步骤。
- 裁判时「事后诸葛亮」:看到完整轨迹后被问「这一步有没有帮助」,同一批模型会给自己当演员时跳过的步骤记功——评判已完成的动作能暴露演员必须预先预判的后果。
- 当老师效果最好:用决策模型对每步动作打分作为 GRPO 的 teacher,把 Qwen2.5-1.5B 策略在 ALFWorld 上从 72.8% 提到 82.9%,WebShop 上从 56.8% 提到 71.4%,甚至超过它自己作为演员能完成的任务(42.9%)。
结论:差的演员也能教出好学生,前提是被问对问题。代码已开源。
所属事件:浙大百度研究：决策模型当老师比当演员更能提升 Agent(2 条相关)→
「编程与Agent」频道最新
- 「Code review 已死」：没人真在读 8294 行的 agent 产出 diff — prasenx · 2026-11-13
- AI 教育者 alfcnz：学生不会用编码 Agent，将开方法课 — alfcnz · 2026-11-13
- 用决策模型做工具选择：50 个工具缩到 3 个，token 省 47%、提速 22% — rajistics · 2026-11-13
- Anthropic 员工：与 Claude 一次会议就磨出会议日历视图初稿 — Flomerboy · 2026-11-13
- Nuance Live 预览版：让 AI 人设在音视频对话中实时调用你的工具 — koltregaskes · 2026-11-13
- AI 删了 6 行代码三周后才被发现,400 名客户被错误扣费 — Imaginary-Mix-7777 · 2026-11-13