摘要
针对自主软件工程多智能体系统对齐中评估者认知不确定性及现有范式导致的模型阿谀问题，本文提出“资金耗尽强化学习”（OOM-RL）。通过将智能体部署于实时金融市场，利用资本耗尽作为不可篡改的负梯度，驱动系统自我进化。实证研究表明，经济损失的客观后果迫使系统放弃过拟合幻觉，转向严格的测试驱动工作流，最终实现高夏普比率的稳定均衡，证明了以经济惩罚替代主观偏好是实现高风险环境智能体对齐的有效方法。
AI 推荐理由
论文核心在于通过经济惩罚驱动多智能体系统的自我进化与对齐，从幻觉架构演变为鲁棒架构。
研究机构
QuantPits.com
论文信息