摘要
针对人类中心场景中请求模糊导致解空间巨大的挑战,本文提出 ODYSSE,一种用于个性化代理推理的强化微调框架。其核心是逐幕组相对策略优化(ESPO),通过引入幕级奖励机制和优势估计,有效处理长动作 horizon 及强跨步依赖,使上游证据能指导下游个性化决策。此外,设计了幕级批量采样器以统一训练批次。在真实长程个性化 GUI 推理任务上的实验表明,ODYSSE 性能显著优于专用及通用大型视觉语言模型。
AI 推荐理由
论文核心提出个性化代理推理框架,通过新算法解决长程依赖与模糊请求下的推理决策问题。
研究机构
The University of Queensland
Brisbane, Australia
Griffith University
Gold Coast, Australia
论文信息