页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「延迟」找到 588 条内容
按专题浏览 →匹配正文：…任务评估中的作用（如反事实推理） 掌握分层RL中的状态价值分解方法 能举例说明实际Agent系统中的具体实现方案 认识到稀疏奖励与延迟奖励带来的挑战 核心思路 分层Agent的关键难点是信用分配问题——子任务完成得好，不代表对最终目标有用。需要从三个层面解决： 一、奖励塑形（Reward Shaping） 问题：稀疏的最终奖励无法指导子任务学习 方案： 势能奖励：基于子任务完成前后状态的价值差设计塑形奖励，保证最优策略不变性 子目标奖励：为每个子任务设置与最终目标对齐的中间指…
匹配正文：…t、少量示例、结构化输出和确定性状态机跑端到端基线。记录任务成功率、工具/参数准确率、无效调用率、重复调用率、越权率、人工接管率、延迟和成本。只有基线错误分类表表明模型行为是主要瓶颈，才进入训练。 4. 选择监督与优化方法 SFT 适合已有高质量目标轨迹时学习格式、工具选择和参数生成，但不能保证环境中的长期回报。DPO 使用同一输入下的 chosen/rejected 偏好对，不需要独立奖励模型和在线 rollout，适合改进可由成对偏好表达的行为。PPO 通常从当前或近当前…
匹配正文：…任务成功、错误副作用、重复操作、失败恢复、取消与超时；上线先影子或小流量灰度，观察成功率、错误副作用率、人工接管、P95/P99 延迟和总成本。评测集包含正常、工具报错、恶意工具返回、过期状态和跨账号访问，并与训练数据隔离。每次发布保存模型、prompt、工具和评测版本，达到回滚阈值时停止扩量。 6. 按根因迭代 将失败归到模型行为、工具 schema、权限、状态机、环境变化或评测缺口。模型问题再补有针对性的数据或训练；接口和权限问题直接修系统。所谓“环境逼真”必须落到真实任…
按学习路线查看教程、项目和面试题。