RL w dialogach: jak zniwelować przesunięcie dystrybucji w multi-turn?

Badacze pokazują, że obecne metody trenowania agentów dialogowych opartych na LLM są fundamentalnie ograniczone przez przesunięcie dystrybucji kontekstu, które narasta kwadratowo wraz z liczbą tur rozmowy. Proponują kalibrowane interaktywne RL z wyrównanym symulatorem jako rozwiązanie tego problemu.

To streszczenie zostało przygotowane przy pomocy narzędzi AI na podstawie źródła. Pełną treść znajdziesz w oryginalnym artykule.