CivMarshmallow：回放奖励训练长程智能体
热点事件持续更新
CivMarshmallow：回放奖励训练长程智能体
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Yanchen Liu 等作者提出 CivMarshmallow，用回放验证的奖励信号训练长时程 Freeciv 智能体；为提供可测量的反馈，他们构建 CivHarness，可保存游戏状态、在不同决策处分支并回放到未来回合。 论文称，基于该反馈训练的 LLM Judge 模型 CivTelescope 在“记分板陷阱”局面上的判断准确率是现成语言模型的 1.3–2.0 倍。
AI 根据报道生成 · 4 小时前更新
最新进展11月2日 13:00
研究提出 CivMarshmallow：用回放验证的奖励信号训练长时程 Freeciv 智能体报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · cs.AI研究提出 CivMarshmallow：用回放验证的奖励信号训练长时程 Freeciv 智能体
研究团队构建 CivHarness 系统，可保存 Freeciv 游戏状态、在不同决策处分支并回放到未来回合，为长时程对局提供可测量的反馈。基于此训练的 大语言模型（LLM，Large Language Model） Judge 模型 CivTelescope 在“记分板陷阱”局面上的判断准确率是现成语言模型的 1.3-2.0 倍。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。