📈 sekarang sedang tren di alphaXiv "∆Kepercayaan-RL: Penetapan Kredit Intrinsik untuk Interaksi Cakrawala Panjang" RL interaktif jangka panjang sangat brutal karena hadiah jarang dan tidak jelas pertanyaan atau tindakan spesifik mana yang benar-benar menyebabkan kesuksesan, sehingga agen tidak belajar atau mempelajari heuristik rapuh. Untuk meningkatkan hal ini, ∆Belief-RL mengubah "rasa ingin tahu" menjadi sinyal pembelajaran jangka panjang yang tepat dengan memberi penghargaan kepada agen setiap kali interaksi meningkatkan keyakinannya pada jawaban yang benar, di mana ia meningkatkan probabilitas model sendiri pada hasil yang benar. Ini memberikan penugasan kredit langkah demi langkah yang padat untuk mengajukan pertanyaan yang tepat, sehingga agen mempelajari perilaku mencari informasi yang efektif lebih cepat dan menggeneralisasi ke cakrawala yang jauh lebih panjang + tugas nyata seperti layanan pelanggan dan personalisasi dengan interaksi yang jauh lebih sedikit yang terbuang sia-sia.