Когда повторная оценка метеоритов вводит в заблуждение: измерение политических сигналов в агентах по использованию средств длительного пользования

arXiv: 2606.23937v2 Тип уведомления: заменить перекрестное резюме: отзыв точной информации часто используется в качестве опосредованного показателя того, обеспечивает ли ретривер полезный политический контекст модели принятия решений вниз по течению. Мы проверяем этот показатель для классификации политики до принятия мер в размере $tau-bench с использованием Cwen2,5-3B/7B классификаторов. В условиях золотой политики компактное структурированное состояние улучшает макро-F1 по сравнению с необработанными траекториями на 0,20 долл. США после установки на 3B, при этом такая же заказка на 7В под общими гиперпараметрами. Затем мы заменяем правило, установленное в качестве контрольного показателя, и получаем его из контекста времени принятия решений. Несмотря на то, что точное правило управления извлечено в первом ранге только за 7°% государств авиакомпании, первичный классификатор 3B получает макро-F1 0,58 долл. США с поступившими утверждениями против 0,60 млн. долл. Мы не обнаруживаем макро-F1 разницы между retr