arXiv 论文对比 11 种奖励设计，训练多轮 AI 智能体在推理预算内自适应分配资源

一项 arXiv 论文对比 11 种奖励目标，训练多轮 AI 智能体在推理预算内自主分配资源，对超支施加惩罚可提升预算内成功率与自然合规性。研究以 Qwen3.5 4B 和 9B 在 AppWorld 按 token、API 调用和环境步数训练，并在 BabyAI 按轮次训练；能力可泛化至未见预算和新 benchmark，但不同奖励目标存在权衡。