Análise aprofundada · Cerca de 4 min de leitura
StaGPO testa agentes que recebem respostas simuladas incompletas
Agrupar turnos por necessidade e informação ausente ajuda em certas receitas, sem provar qualidade de interação com pessoas.
- Data da fonte
- Publicado aqui
- Fonte verificada
O preprint da Notre Dame enviado em 16 de outubro propõe StaGPO para aprender com frases ocultas nas respostas simuladas, relatando ganhos e limites em tarefas Qwen3.5.
Ouça as notícias
Ouça este artigo ou continue ouvindo as notícias.
Preparando a leitura…
Voz do dispositivo
O navegador ou dispositivo processa a voz. O AISubHub não envia o texto a uma API de áudio. As vozes e a reprodução com a tela bloqueada variam conforme o dispositivo.
Ao continuar, uma frase curta pode se repetir.
Resumo
- Em ToolWOZ com máscara 0.4, a receita 2B chega a 76.8%, contra GRPO desde a base 72.0% e InfoPO 74.0%.
- Há início supervisionado com 33 diálogos próprios; sem ele StaGPO cai a 67.1%, abaixo de GRPO 72.0%.
O significado de usuário fraco
Não classifica a capacidade de clientes reais. Mantém tarefa, conhecimento e objetivos do simulador e troca frases por uma marca explícita de perda. A primeira mensagem nunca é ocultada; o simulador vê seu histórico completo. Usa gpt-oss-120b com taxas nominais 0, 0.2 e 0.4.
Isso isola perda no canal, não toda ambiguidade, engano ou contradição humana. Omissões silenciosas sem marca não foram testadas. Treina Qwen3.5-2B e 4B sem raciocínio, com LoRA, em reservas ToolWOZ e varejo tau2-bench, não assinaturas gerais.
Exposição e mais perguntas não bastaram
No GRPO padrão, máscaras fixas, misturadas e currículo não venceram consistentemente o treino com respostas completas além do ruído. Uma queda menor pode partir de desempenho inicial pior; compare nível original e resultado mascarado juntos.
Instruir mais perguntas também não trouxe ganho confiável no cenário. Não significa que esclarecer seja inútil: uma solicitação direcionada recuperou parte da perda em prefixos contrafactuais auditados. Os autores corrigem rótulos desalinhados desse diagnóstico. O teste relevante é fechar um requisito, não aumentar a contagem de perguntas.
Estado para agrupar, não como verdade
Antes da ação, StaGPO escreve estado oculto de necessidades, lacunas e resultados de ferramentas. Uma chave por domínio reúne turnos comparáveis de trajetórias da mesma tarefa com campos conhecidos e tipos de resultado, sem exigir texto ou valores iguais.
Adiciona vantagem por etapa baseada no retorno descontado relativo ao grupo ao crédito de episódio GRPO; turnos sem grupo mantêm crédito normal. O estado não é supervisionado como infalível: chaves consistentes podem ajudar apesar de conteúdo errado. Escrever estado é diferente de mudar o aprendizado das ações.
O resultado depende do início
A máscara 0.4 em ToolWOZ dá 76.8%, vantagem de 4.8 pontos percentuais sobre GRPO 72.0% e 2.8 sobre InfoPO 74.0%. É sucesso, não eficiência nem satisfação. A receita inclui supervisão com 33 diálogos bem-sucedidos próprios, sem professor maior.
Com o mesmo início, só escrever estado rende 60.1%, enquanto agrupar chega a 76.8%. Sem início supervisionado, StaGPO fica em 67.1%, abaixo de GRPO base 72.0%. Não há prova de independência da inicialização. Em tau2-retail 4B, supera o híbrido seguinte por apenas um ponto, dentro do ruído.
Limites antes do uso com pessoas
O estudo StaGPO ToolWOZ usa 30 tarefas de validação, 70 de teste e duas avaliações por tarefa. Algumas configurações 2B têm três treinos; muitas 4B, um. Erros pareados refletem tarefa e simulador, não automaticamente a variação entre treinos. Transferência de máscara continua no protocolo simulado.
Recompensa final não cobre tudo, como confirmação antes de agir. Propomos testar omissões silenciosas, contradições, consentimento e erros caros, além da conclusão. Não são recursos já comprovados. Pessoas, outros simuladores e agrupamento aprendido permanecem abertos; não surgem novos preços API ou direitos de assinatura.
Por que importa
Análise AISubHub: separar informação perdida, estado, ação útil e sucesso. Mais perguntas ou um estado escrito não substituem atribuição de crédito adequada.
Limites e disponibilidade
Lemos v1 de 22 páginas, anexos e histórico. É pesquisa em revisão, simulada pelos autores, sem humanos ou reprodução nossa. Uma família, dois tamanhos e chaves por domínio limitam a aplicação.
Fontes e evidências
Data da fonte: 16 de out. de 2026 · Fonte verificada: 21 de out. de 2026
Leituras complementares
Fonte verificada: 21 de out. de 2026
Conteúdo editorial com apoio de IA, verificado em fontes primárias. Alegações dos fornecedores são atribuídas; inclusão não é recomendação.