📈 trendar nu på alphaXiv "∆Belief-RL: Inneboende kredituppdrag för långhorisontell interaktion" Long-horizon interaktiv RL är brutal eftersom belöningarna är sparsamma och det är oklart vilka specifika frågor eller handlingar som faktiskt ledde till framgång, så agenter lär sig antingen inte eller lär sig sköra heuristiker. För att förbättra detta omvandlar ∆Belief-RL "nyfikenhet" till en riktig långsiktig inlärningssignal genom att belöna en agent varje gång en interaktion ökar sin tro på det sanna svaret, vilket ökar modellens egen sannolikhet för rätt utfall. Detta ger tät, steg-för-steg-kreditfördelning för att ställa rätt frågor, så agenter lär sig effektiva informationssökningsbeteenden snabbare och generaliserar till mycket längre horisonter + verkliga uppgifter som kundservice och personalisering med betydligt färre bortkaskade interaktioner.