论文提出MiRL：针对终端智能体错误行为的定向强化学习
热点事件持续更新
论文提出MiRL：针对终端智能体错误行为的定向强化学习
1 篇报道1 个报道来源15 小时前更新
先了解这件事
AI 综述
Runchu Tian 等在 arXiv 发布论文，提出 Misbehavior-driven RL（MiRL），针对终端智能体在长程任务中反复出现的错误行为做定向强化学习训练。方法先分析策略错误、找出跨环境反复出现的错误类型，再从错误发生处启动 rollout，仅在 rollout 通过测试且避免该错误行为时给奖励。 论文称，在 Qwen3.5-4B 上八类错误行为占错误步骤的 52.1%；训练后在未见前缀上错误重复率平均降低 43% 到 57%。对比 TMax-4B，MiRL 在 Terminal-Bench Lite 上得分 51.8% 对 47.4%，Terminal-Bench 2.1 上 21.3% 对 20.6% 持平，rollout 用量仅为后者的 35%。
AI 根据报道生成 · 3 小时前更新
最新进展10月27日 00:25
MiRL：面向终端智能体错误行为的定向强化学习方法报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv · cs.CL精选MiRL：面向终端智能体错误行为的定向强化学习方法
论文提出 Misbehavior-driven RL（MiRL），针对终端智能体在长程任务中反复出现的错误行为做定向强化学习训练，从错误发生处启动 rollout，仅在通过测试且避免错误行为时给奖励。在 Qwen3.5-4B 上，八类错误行为占错误步骤的 52.1%；训练后在未见前缀上错误重复率平均降低 43% 到 57%，Terminal-Bench Lite 得分 51.8% 超过 TMax-4B 的 47.4%，Terminal-Bench 2.1 上 21.3% 对 20.6% 持平，rollout 用量仅为其 35%。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 710月27日 13:00
- 近 24 小时变化
- –
02468
13:0014:0015:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。