多轮临床药物的安全强化学习：当密集奖励击败结果奖励时

原文：Safe Reinforcement Learning for Multi-Turn Clinical Agents: When Dense Rewards Beat Outcome Rewards

具有可验证奖励的强化学习越来越多地用于改进语言模型推理，但其对顺序决策过程的影响仍然知之甚少。我们在临床多回合代理中研究这个问题，这些代理必须决定请求哪些信息、何时停止收集证据以及采取哪些行动。我们引入三种受控环境： 药物补充

正文由本站服务器抓取保存（已自动过滤广告、推荐位与追踪图片），排版与原站可能不同；版权归原站所有。