摘要
网页导航要求智能体遵循自然语言目标并与网页交互。针对现有方法因奖励错位和误差传播导致的单步脆弱性问题，本文提出 StepGuard 框架。该框架设计动态双策略优化（DDPO），在探索与问答模式间切换以缓解奖励冲突；并提出置信度引导的自适应导航反思（CANR）机制，通过估计单步置信度触发必要反思，利用对比奖励鼓励自我修正。实验表明，该方法显著提升了导航与回答准确率，在标准基准上取得了最新_state-of-the-art_性能。
AI 推荐理由
论文核心解决网页导航中的单步规划脆弱性，通过动态策略切换与反思机制优化任务执行路径。
研究机构
School of Software Engineering, Xi'an Jiaotong University
School of Computer Science and Information Engineering, Hefei University of Technology
Xiamen University
Zhejiang Lab
CSIRO
论文信息