用潜在内在反馈训练用户模拟器

2026年10月12日，arXiv 计算与语言（Computation and Language）刊登一项一手研究，提出带内在反馈的用户模拟器。该模拟器通过内部想法、反应和标量评分，在每轮对话中从第一人称用户视角评估助手。实验显示，其模拟真实性和批评能力优于提示式基线，并提供现有微调模拟器缺乏的逐轮评估；模拟器生成的评估与人类判断相关性更高，作为多轮 RL 训练的奖励信号可与外部 judge LLM 方案相当，同时减少一半以上 RL 计算量。

Generated from reports · updated 2 hr ago

There is not enough continuous observation data to draw a trend yet.