一份自动设计的奖励可跨相关协作场景复用
资讯摘要
论文提出 GARDEN，让 LLM 充当奖励工程师，通过查阅环境代码、训练记录与智能体行为，为一系列相关场景开发同一份奖励程序，并原样迁移到设计阶段未见过的场景。作者报告在 Overcooked 与 SMAX 的未见场景上，任务回报较默认奖励分别提升 58.2% 和 52.5%，两个战斗场景平均胜率从 51.0% 升至 89.9%，并在相同候选与探测预算下高于固定诊断反馈和 Eureka 式奖励反思。
要点速读
- GARDEN 由 LLM 检查环境代码、训练记录和智能体行为，并通过试训练验证草稿奖励，学习算法与最终奖励选择规则保持固定。
- 在 Overcooked 两个厨房布局上，未见场景任务回报较默认奖励提升 58.2%；SMAX 两个战斗场景平均胜率由 51.0% 升至 89.9%。
- 相同候选与探测预算下，GARDEN 超过固定诊断反馈的 84.2% 和 Eureka 式奖励反思的 79.2%。
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 2026/10/31 08:00:18（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。