PVST：用策略验证奖励训练Agent合规

研究者 Min-Young Yu 发表论文提出 Policy-Verified Self-Training（PVST）：让智能体自行生成交互轨迹，由一个可执行策略验证器（论文中为从书面策略编译出的确定性门控）判断每个动作是否合规，合规轨迹被强化，违规轨迹作为负例用于偏好优化，无需更强教师模型、人类偏好标签或攻击专项监督。 据论文描述，验证器是由书面策略编译而成的确定性门控；其验证与训练效果来自该论文的设定，尚未见独立复现或实际部署结果的报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。