5 วิธีฝึก LLM agents ด้วย reinforcement learning — framework ใหม่แก้ปัญหาเก่า

นักวิจัยเผยกรอบทดสอบแยกออกมาหลายตัว (GAMBLe, EvoTrainer, AgentJet) เพื่อฝึก LLM agents ให้เล่นเกมและแก้โจทย์ได้ดีกว่า ปัญหาหลักคือ reward ไม่ได้มาทั้งทีต่อก้าว แต่มาจากผลลัพธ์สุดท้าย หรือขึ้นอยู่กับตัดสินใจของผู้เล่นตัวอื่น ระบบใหม่แก้ด้วยการทำงานแยกตัว co-evolve นโยบาย และเครื่องมือฝึก หรือแยกรางวัลแบบล่าช้า