Имплицитные убеждения как награды за масштабируемый процесс стратегического устрашения
arXiv: 261 030.33527v1 Вид уведомления: перекрестное резюме: подготовка моделей большого языка (МЛМ) для многооборотного стратегического убеждения сталкивается с двумя взаимосвязанными препятствиями: i) реалистичная имитация психологических убеждёний и ii) плотный, надежный надзор за распределением кредитов в рамках стратегических диалогов. Награды только за результаты являются незначительными и неинформирующими о том, какие разговорные движения способствовали успеху, в то время как награждения в рамках процесса LLS-судья дорогие и отделены от основной динамики взаимодействия. Мы решим обе проблемы на основе единой системы. Во-первых, мы введем ПерсуАрену — имитирующую среду убеждения, которая производит реалистичные немонотонические траектории. Во-вторых, опираясь непосредственно на эту среду, мы предлагаем вознаграждение за процесс через онлайн Элименты для относительной оптимизации политики (Probe-RPO), онлайновую систему RL, которая преобразует внутреннее состояние убеждённого в густые процессы вознаграждения. На каждом повороте с замороженной убедительной точки l считываются три интроспективных зонда.
