从记录的强盗反馈中学习校准决策头
原文：Learning a calibrated decision head from logged bandit feedback
决策头读取状态和选项列表，并在一次前向传递中返回每个选项的概率。一旦部署，它通常只观察它选择的选项是否正确：记录强盗反馈。我们根据反馈调整了这样一个头，LoRA on Qwen3-0.6B-Base 和 1.7B-Base，并报告了三个结果。首先，采样动作自身概率的 Brier 或对数分数不是 us
正在把原文抓到本机服务器…首次约 3~8 秒，抓好后本站永久缓存，下次秒开。
抓不到时可直接看原文（部分站点需要登录/反爬，服务器也无法抓取）。
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。