11种奖励设计对比智能体预算控制

Lamb、Golinski、Kirchhof等研究团队在arXiv论文中对比11种奖励目标，训练多轮AI智能体在token、API调用、环境步数或交互轮次限制内分配推理资源。实验称，对超支施加惩罚可提高预算内任务成功率和自然合规性。 研究以Qwen3.5 4B、9B在AppWorld按token、API调用和步数训练，并在BabyAI按轮次训练；部分能力可泛化到未见预算和基准，但不同奖励目标在成功率、合规性与资源使用上存在权衡。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。