摘要
针对大语言模型 Agent 在现实随机环境中性能下降的问题，本文提出 NoisyAgent 训练框架。该框架显式引入用户交互模糊性与工具执行失败两类噪声，并通过渐进式噪声策略稳定训练。实验表明，该方法显著提升了 Agent 在动态噪声环境下的鲁棒性，同时在理想基准测试中亦获得性能增益，证明受控的噪声暴露能促进更具泛化性的推理与决策行为。
AI 推荐理由
论文核心是提升 Agent 在噪声下的鲁棒性，直接促进其泛化推理与决策能力。
研究机构
National University of Singapore
Meituan
Tsinghua University
Tianjin University
University of Science and Technology of China
论文信息