Подробный разбор · Около 3 мин чтения
StaGPO исследует обучение агентов при неполных ответах симулятора
Группировка ходов по потребностям и пробелам помогает определенным рецептам, но не доказывает качество общения с людьми.
- Дата источника
- Опубликовано здесь
- Источник проверен
Препринт Notre Dame впервые представлен 16 октября. Он предлагает StaGPO для обучения с пропавшими предложениями и описывает улучшения Qwen3.5 вместе с ограничениями.
Слушать новости
Прослушайте эту статью или включите новости подряд.
Подготовка чтения…
Голос устройства
Речь обрабатывает браузер или устройство. AISubHub не отправляет текст в аудио-API. Доступные голоса и работа при заблокированном экране зависят от устройства.
При продолжении короткая фраза может повториться.
Кратко
- В ToolWOZ при маске 0.4 рецепт 2B дает 76.8% против базового GRPO 72.0% и InfoPO 74.0%.
- Он включает 33 собственных диалога для обучения с учителем; без такого старта StaGPO дает 67.1%, ниже GRPO 72.0%.
Что означает слабый пользователь
Работа не классифицирует способности реальных клиентов. Задача, знания и цели симулятора постоянны, часть предложений заменяется явной меткой неслышимости. Первая реплика не маскируется, симулятор видит полную историю. Основной пользователь gpt-oss-120b, номинальные доли 0,0.2,0.4.
Изолируется потеря канала, не любая человеческая неясность, ошибка или противоречие. Тихие пропуски без метки не проверялись. Модели Qwen3.5-2B и 4B без режима рассуждений обучены с LoRA на бронированиях ToolWOZ и рознице tau2, не на общих чат-подписках.
Опыт и вопросы сами по себе не помогли
При стандартном GRPO фиксированные и смешанные маски и curriculum не выигрывали надежно сверх шума у полных ответов. Меньшее падение может объясняться худшим исходным уровнем, поэтому нужны и он, и маскированный результат.
Указание задавать больше вопросов здесь тоже не дает надежного выигрыша. Уточнения не бесполезны: один целевой запрос частично помог в проверенных контрфактических префиксах. Авторы исправляют первоначальное рассогласование меток этой диагностики. Проверять надо закрытую потребность, не количество вопросов.
Состояние как ключ группы
Перед действием StaGPO пишет скрытое состояние потребностей, пробелов и последних результатов инструментов. Доменный ключ объединяет сравнимые ходы разных траекторий одной задачи по известным полям и типам исхода, без идентичного текста или значений.
Пошаговое преимущество из дисконтированного результата относительно группы добавляется к кредиту эпизода GRPO; без группы остается обычный. Состояние не обучается как безошибочная истина: последовательный ключ может помогать с неверным содержимым. Печать состояния и изменение обучения действий — разные вмешательства.
Условие результата 76.8%
ToolWOZ при маске 0.4 дает 76.8%, на 4.8 процентного пункта выше GRPO 72.0% и на 2.8 выше InfoPO 74.0%. Это успех задач, не эффективность или удовлетворенность. Рецепт включает 33 успешных собственных диалога для обучения с учителем, без более сильного наставника.
С одинакового старта только запись состояния дает 60.1%, группировка 76.8%. Без обученного старта StaGPO 67.1%, ниже базового GRPO 72.0%. Независимость от инициализации не доказана. В tau2-retail 4B превосходство над следующим гибридом лишь один пункт, в пределах шума.
До испытаний с людьми
Исследование StaGPO ToolWOZ использует 30 валидационных и 70 тестовых задач, по две оценки. Некоторые 2B-конфигурации имеют три обучения, многие 4B одно. Парная ошибка отражает задачи и симулятор, не автоматически вариацию обучения. Перенос маски остается тем же протоколом.
Финальная награда не охватывает все общение, например подтверждение перед действием. Мы предлагаем тихие пропуски, противоречия, согласие и дорогие ошибки как дополнительные проверки, не доказанные возможности. Люди, другие симуляторы и обучаемая группировка остаются открытыми, без новых цен API или прав подписки.
Почему это важно
Анализ AISubHub: разделять потерю информации, состояние, полезное действие и успех. Больше вопросов или текста состояния не заменяет правильное назначение обучающего вклада.
Ограничения и доступность
Мы прочитали полные 22 страницы v1, приложения и историю. Это авторская симуляция на рецензировании, не человеческое испытание или наша репликация. Одно семейство, два размера и доменные ключи ограничивают обобщение.
Источники и подтверждения
Дата источника: 16 окт. 2026 г. · Источник проверен: 21 окт. 2026 г.
Дополнительные материалы
Источник проверен: 21 окт. 2026 г.
Материалы подготовлены с помощью ИИ и сверены с указанными первоисточниками. Заявления поставщиков атрибутированы; публикация не означает рекомендацию.