论文指出用户模拟器监督微调存在前视偏差，并提出因果化训练方法。
资讯摘要
论文将可控用户模拟形式化为因果推断问题，指出在事后轨迹标签上做监督微调训练模拟器会引入前视偏差，破坏因果一致性；作者证明策略偏移下评估指标方差会几何级增长，称为“可控性崩塌”。论文提出准确模拟的理论条件，并给出先验控制、逐步动态控制和直接策略条件学习三种训练缓解方法。实验显示全局控制会扭曲对话分布、降低行为多样性，而因果化模拟器可消除前视偏差并保持自然方差。
要点速读
- 论文指出基于事后轨迹标签的监督微调会引入前视偏差，使模拟器与数据生成行为策略耦合。
- 作者证明策略偏移下该问题会导致评估指标方差几何级增长，称为可控性崩塌。
- 论文提出先验控制、逐步动态控制和直接策略条件学习三种缓解方法，并报告对未见智能体行为有零样本泛化。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。