arXiv · Machine Learning· Minqian Liu, Yuexi Shen, Heajun An, Qi Zhang, Pamela J. Wisniewski, Sang Won Lee, Jin-Hee Cho, Lifu Huang·· 13 小时前AI 评分36
Probe-RPO：将隐式信念用作战略说服的可扩展过程奖励
Implicit Beliefs as Scalable Process Rewards for Strategic Persuasion
AI 导读
研究提出 PersuArena 说服仿真环境与 Probe-RPO 在线强化学习框架，将被说服者的内部状态转化为密集过程奖励，用于训练多轮战略说服模型。Probe-RPO 在 PersuArena 实验中的完整接受率为 52.5%，高于最强 GRPO 消融版本的 35.8% 和最佳现成 LLM 的 25.8%；奖励信号由冻结的被说服者 logits 中读取的三个内省探针生成。
来源：arXiv · Machine Learning · arxiv.org