ZeroHour's Site
Search

Back

Agent与后训练合集#

Controllable and Verifiable Tool-Use Data Synthesis for Agentic Reinforcement Learning#

一份改进 tool-use agent 的工作,现有的合成的工具使用数据的方法,只适合于 SFT,不适合去做 RL。

image-20260917162002496

Motion:

现有能够调用工具大模型,但是在合成环境中强化学习还有 gap,在各种干扰(工具多、问题模糊、返回结果错误)的情况下也可以提升。对 tool-use 的训练使用强化学习应该是一个新的办法,而后者的干扰问题应该是 agent 能力的普遍问题。Oracle-preserving augmentation 应该是指在保证标准答案不变的情况下增加问题的难度,这样既能够方便打分并返回奖励,也能提升 agent 的抗干扰能力。

image-20260917162337579

image-20260917162355223

Method:

两个阶段,Stage1:reliable tool-use trajectory generation,Stage2:oracle-preserving augmentation

Agent与后训练合集
https://zerohour.fun/blog/daily/2609/agent_and_post-training
Author ZeroHour
Published at 2026年9月20日
Comment seems to stuck. Try to refresh?✨