محققان روش جدیدی به نام LAPO ارائه دادهاند که تحولی در نحوه یادگیری «ایجنتهای خودمختار» برای جستجوهای چند مرحلهای ایجاد میکند.
مشکل روشهای فعلی این است که فقط بر نتیجه نهایی تمرکز دارند؛ اما LAPO با استفاده از تکنیک «انتساب مرحلهای» (Leave-One-Turn Attribution)، هر مرحله از جستجو را بهطور جداگانه ارزیابی میکند تا بفهمد کدام مرحله باعث پیشرفت یا خطا شده است.
✅ چرا این خبر مهم است؟
– عدم نیاز به مدل پاداش جانبی یا داور انسانی.
– بهبود چشمگیر دقت در پاسخدهی به پرسشهای پیچیده.
– درک عمیقتر از فرآیند استدلال مدلهای زبانی.
این نوآوری راه را برای ساخت ایجنتهای هوشمندتر که دقیقاً میدانند در هر مرحله چه اطلاعاتی کاربردی است، هموار میکند.
منبع: arXiv AI