› Praca pochodzi z 30 września 2026 roku i jest dziełem ośmiorga autorów: Anmol Kabra, Swathi Saravana Selvam, Albert Gong, Chao Wan, Christian Belardi, Dongyoung Go, Katie Z.
› Weinberger.Na czym polega problemTrenowanie agentów językowych metodą uczenia przez wzmacnianie (RL) napotyka jeden powtarzający się problem - środowiska treningowe.
› Dobre środowisko musi dawać weryfikowalne nagrody, obsługiwać długie interakcje wieloturowe i być tanie w skalowaniu.
› Dotychczasowe podejścia opierały się albo na kosztownych danych przygotowanych przez ludzi, albo na środowiskach generowanych przez same modele językowe - te drugie niosą ryzyko halucynacji i tzw.