SWEエージェントの報酬を二値から行動評価へ
原題 Beyond Binary Verifiable Rewards: Behavioral Self-Rewarding for SWE Agents
検証可能な報酬による強化学習はテスト結果でSWEエージェントを教えるが、二値報酬では軌跡の質の差を区別できない。本論文は行動に基づく自己報酬を使い、この限界を超える手法を示す。
論点
テスト合否だけの報酬は限界なのか
- コメントを読み込み中…
議論のヒントを見る
賛成側の視点
合否だけでは過程が見えない。行動評価が必須だ。反対側の視点
自己採点は報酬ハックの温床。テストこそ信頼できる。
みんなのコメント 件
コメントを書く