Self-Evolution Empathetic Dialogue Reinforcement Learning Dual-Loop
摘要

大型语言模型在共情能力上仍面临挑战,且共情支持具有多轮次和路径依赖性。现有方法在固定训练交互分布下演化对话策略,导致策略能力与训练体验不匹配。本文提出一种由可验证情感反馈驱动的双循环自我进化框架:内环利用连续情感奖励优化多轮策略,外环根据结果估计策略相关的交互效用并自适应调整经验。该框架通过分层控制器共享证据,结合不确定性引导的探索与均匀重放,在不增加 rollout 预算的情况下生成轨迹并闭合双循环。实验表明,该方法显著提升了 Qwen3-8B 在 SAGE 数据集上的表现。

AI 推荐理由

论文核心提出双循环自我进化框架,通过可验证的情感反馈优化策略并自适应调整经验分布。

研究机构
阿里云计算 Qwen DianJian Team, Alibaba Cloud Computing 北京理工大学 Beihang University 苏州大学 School of Computer Science and Technology, Soochow University
论文信息
作者 Yi Wei, Shuo Jiang, Huaixia Dou, Jie Zhu, Junhui Li et al.
发布日期 2026-08-11
arXiv ID 2608.10626
相关性评分 9/10 (高度相关)