研究者提出DERL双演化强化学习框架实现自动化奖励设计

研究者提出双演化强化学习框架 DERL，用于自动化奖励设计。该框架由外层提议者基于任务原语组合奖励，内层策略用该奖励训练，提议者再根据内层策略验证表现通过策略梯度学习，从而利用历史试错反馈优化奖励提议。DERL 在 ALFWorld、ScienceWorld、GSM8K、MATH 上验证，在多轮智能体基准上超越强基线，尤其在分布外任务上优势明显，数学任务中优于结果奖励。