📈 Trender nå på alphaXiv "∆Faith-RL: Intrinsic Credit Assignment for Long-Horizon Interaction" Langhorisont interaktiv RL er brutal fordi belønningene er sparsomme og det er uklart hvilke spesifikke spørsmål eller handlinger som faktisk førte til suksess, så agenter lærer enten ikke eller lærer skjøre heuristikker. For å forbedre dette gjør ∆Belief-RL «nysgjerrighet» om til et ordentlig langsiktig læringssignal ved å belønne en agent hver gang en interaksjon øker sin tro på det sanne svaret, hvor det øker modellens egen sannsynlighet for riktig utfall. Dette gir tett, trinnvis kreditt for å stille de riktige spørsmålene, slik at agenter lærer effektiv informasjonssøkende atferd raskere og generaliserer til mye lengre horisonter + reelle oppgaver som kundeservice og personalisering med langt færre bortkastede interaksjoner.