浙大论文：自己只考 42.9% 的模型，能把别家 Agent 教到 82.9%
rohanpaul_ai · x · 2026-11-15
浙江大学新论文展示了一个反直觉结论：AI 模型自己不擅长某任务，仍可以训练另一个模型把它做好。决策模型 JEV(输出选项概率而非文本)在 ALFWorld 家庭任务上自己只能完成 42.9%,但作为「教师」逐步评分另一个 AI 的动作后，把 Qwen2.5-1.5B 的成功率从 GRPO 结果奖励的 72.8% 提升到 82.9%。
关键点:
- Agent RL 通常只按最终结果给奖励，每一步获得相同信用；而逐步评分通常需要逐环境的标签或每步调用 LLM 裁判。
- 决策模型作为「裁判」能看到完整轨迹，评估每个动作是否有帮助；问「这个动作有没有用」而非「任务会不会成功」能更好区分有用与无用动作。
- 作为 actor 时六个模型都会被更简单的子目标带偏；作为 judge 看全程轨迹时，同样的模型能正确认可那些子目标步骤。
作者建议:选择 step grader 应看它评判已完成轨迹的能力，而不是它自己执行任务的能力。同一论文完整版见另一条帖子(含 arXiv 链接)。
所属事件: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(5 条相关)→
「编程与Agent」频道最新
- 让 Grok agent 回复尽量短、用 emoji 项目符号,实测效率提升 — jonathan_wilke · 2026-11-15
- 开发者吐槽 Unreal 内 AI 助手会关编辑器做原生构建且无法恢复 — FanaHOVA · 2026-11-15
- 法学教授让 Claude 改页码，结果课程讲义被整年删光 — petrusenko_max · 2026-11-15
- AI Agent 开工前该不该先验证工具能干完活？Runway 审查引发的规划难题 — Jharry1954 · 2026-11-15
- 网友把老合成器电路图喂给 Claude,2-30 分钟复刻音源 — churchkey · 2026-11-15
- CrowdGPT:想做一个无数据中心、社区共创的开源 LLM 项目 — Vxtzq1 · 2026-11-15