BriefGPT - AI 论文速递 · 2025-02-20T00:00:00Z STeCa: Step-level Trajectory Calibration for LLM Agent Learning 💡 原文英文，约100词，阅读约需1分钟。 📝 内容提要 本研究提出了STeCa框架，解决了LLM代理在长时间任务中因次优动作偏离轨迹的问题。通过步级奖励比较识别次优动作，并利用反思构建校准轨迹，显著提升了代理的决策能力和任务完成的稳健性。 🏷️ 标签 LLM代理 STeCa框架 agent 任务完成 决策能力 次优动作 阅读原文 生成长图 分享链接 已复制链接
