MAVIC通过修正指令边界的Bellman备份提升多智能体指令遵从。
资讯摘要
论文关注协作多智能体强化学习（MARL）中外部自然语言指令打断宏观动作、与长期目标冲突的问题，指出以指令为条件构造奖励会因Bellman更新跨指令上下文耦合价值估计而失效。作者提出MAVIC，在指令边界修正Bellman备份，修正新指令目标并恢复当前目标下的延续价值，而非做奖励塑形。论文给出理论分析与actor-critic实现，作者报告在更复杂的协作多智能体环境中实现较高指令遵从度并保持基础任务性能。
要点速读
- 论文指出以指令为条件构造奖励时，Bellman更新会跨指令上下文耦合价值估计，导致指令打断宏观动作时价值不一致。
- MAVIC在指令边界修正Bellman备份：修正新指令目标，并恢复当前目标下的延续价值。
- 作者提供理论分析与actor-critic实现，报告在更复杂协作多智能体环境中兼顾指令遵从与基础任务性能。
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。