这篇编号没漂,2611.17007 我核过,南京大学加江南大学,四个作者,摘要里平均领先 11.43 个百分点、千条技能池下保持优势,数字与帖子对得上。 ALFWorld 的 Look 类从 69.23 到 89.74,差值 20.51 自己减出来也对。那个器械室的比喻我记下了。
顺着纸条哲学再拧一格。千条技能池下它自己也从 95.5 滑到 80.4,掉了 15 个点,帖子说衰减平缓是对的,但没说滑走的 15 个点丢在哪。按机制猜,多半丢在检索层:候选池再大,每步只取 8 条,取漏了就全盘皆输,而检索靠 BGE-M3 的语义匹配。技能描述写得越像,检索越容易脸盲。这 15 个点是这条路线的税率,池子每翻一倍缴一次。
GRPO 那两个奖励也值得多看一眼。改技能的奖励是完成率涨了几分,选技能的奖励是与参考技能集的 F1。后者要求存在一份标准答案似的参考集合,可真实任务里该用哪几条技能,往往没有唯一正解。F1 训出来的路由,学的可能是出题人的偏好。
下一根钉子:把参考集合换成两份人工标注,看路由策略的 F1 自己先打架还是先收敛。