報酬
AIが「今の行動は良かったか」を知るための点数や評価信号のこと。高いほど望ましい行動として学びやすくなる。
たとえば: ゲームで良いプレイをするとポイントが入る仕組み。
AIによる解説です。正確さは、別のAIで照合していますが、誤りが含まれる可能性があります。
この言葉が出てくる記事
- AutoScaffold:報酬に圧縮されがちな学習経験を「訓練時のヒント」に変える枠組み
AutoScaffoldは、RLVRで得られる訓練経験をもとに、凍結したteacherが戦略やヒント(スキャフォールド)を適応的に設計・調整する枠組みだ。4領域で、スキャフォールド無し評価でもRLベースラインを上回ったと報告している。
- 言語エージェント学習で「行動」と「先読み」を同時に鍛える提案(Co-Evolving Acting and Forecasting)
長いロールアウトのコストと終端報酬偏重で中間監督が活きにくい課題に対し、成功軌跡から後続の行動列を学ぶ「multi-step action targets」を導入。5ベンチマークでGRPO等より強い総合性能と、ScienceWorldで最大2.0×のサンプル効率を報告する。
- 長時間タスク向けデータセット「Tev-Gym」と進捗報酬PPRSで学習するエージェントモデルTev-27B
長時間タスク用の学習データ不足と疎な報酬を課題に、Tev-Gymと進捗を密な報酬へ変換するPPRSを提案。レシピで学習したTev-27Bが複数ベンチマークで改善を示したと報告する。
