学会演示：用于智能体幻灯片生成的逆向规范奖励

本文提出一个兼容 OpenEnv 的强化学习环境，使 LLM 智能体能够通过工具使用研究主题、规划内容并生成专业 HTML 幻灯片。我们引入多组件奖励系统，包含结构验证、渲染质量评估及一种新颖的“逆向规范奖励”，即通过让 LLM 从生成的幻灯片中恢复原始规范来衡量意图传达的忠实度。实验表明，仅微调 0.5% 参数的 Qwen2.5-Coder-7B 模型，其质量可达 Claude Opus 4.6 的 91.2%，并在指令遵循与工具使用合规性上显著优于基线，证明了这些因素比参数量更决定智能体任务表现。