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