摘要
本文探讨利用世界反馈对临床协议执行任务进行强化学习（RL）。通过审计发现现有基准存在高“静默完成”上限问题，构建了 MedAgentBench-v3 以降低该上限。实验揭示纯 RL 面临能力天花板和格式知识壁垒，导致性能显著低于监督微调。研究提出分类法，主张结合监督微调注入代码知识与强化学习训练条件逻辑，以突破结构障碍并提升智能体自我进化能力。
AI 推荐理由
论文核心研究利用世界反馈进行 RL 自我进化，分析能力天花板并提出改进策略。
研究机构
Centific Global Solutions, Inc., Correspondence to: Ananya Mantravadi
论文信息