Reinforcement Learning Computer-Use Agents Reward Modeling Self-Evolution
摘要

针对计算机使用代理在长程 GUI 任务中依赖规则评估难以对齐人类意图且易过时的痛点,本文提出 SeekJudge 框架。该框架通过四个角色专用代理(Condense、Ground、Seek、Analyze)在轨迹上执行“搜索 - 分析”循环以达成判决,并利用蒸馏管道训练共享骨干模型。实验表明,SeekJudge 是在线强化学习中首个性能匹配或超越原生规则监督的实用模型奖励,提供步级判断且成本更低,有效推动了代理的自我进化与训练。

AI 推荐理由

论文提出基于 RL 的奖励框架,直接驱动 Agent 自我进化与训练,是核心机制。

研究机构
Zhejiang University University of Rochester
论文信息
作者 Yang Wan, Zhenhao Zhang, Jierui Wang, Linchao Zhu
发布日期 2026-07-25
arXiv ID 2607.23263
相关性评分 9/10 (高度相关)