arXiv · cs.AI· Ai Jian·· 13 天前AI 评分31
C3：多轮强化学习中基于置信度的过程监督信用修正方法
C3: Rethinking Process Supervision via Confidence-Guided Credit Correction in Multi-Turn Reinforcement Learning
来源与原文
arXiv · cs.AI
作者：Ai Jian
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.19695v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
arXiv 论文提出 Confidence-Guided Credit Correction（C³），一种可插拔的局部信用修正方法，解决仅用结果奖励的多轮智能体强化学习中错误行为仍获正优势的问题。C³ 在优势估计后选择性修正正信用，修正强度由行为策略的置信度自适应控制，不改任务奖励与原信用估计。在多个多轮 benchmark 上，C³ 在基于 critic 与无 critic 的 RL 方法下均提升性能。
来源：arXiv · cs.AI · arxiv.org