مقاله‌ی arXiv:2610.12655 · نگه‌داشته برای بعد
CLEAT: Learning Value-Guided Clarification for Interactive Agents
یادگیری این‌که ایجنت کِی سؤال روشن‌کننده بپرسد، بر اساس ارزشی که پاسخ برای سیاست فعلی دارد
- تاریخ
- (۱۶ مهر ۱۴۰۵) 2026-10-08 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Jiatan Huang, Zheyuan Zhang, Ziming Li, Tianyi Ma, Mingchen Li, Yanfang Ye, Chuxu Zhang
- نهاد نویسنده‌ها
- University of Connecticut; University of Notre Dame; University of Massachusetts Amherst
خلاصه‌ی فارسی
مسئله
ایجنت‌ها کارهای پیچیده‌تری انجام می‌دهند، اما کمک مؤثر نیاز دارد اقدام‌هایشان با هدف‌ها و قیدهایی که کاربر نگفته هم‌راستا شود. سؤال روشن‌کننده فقط وقتی مفید است که ایجنت بتواند پاسخ را به تصمیم بهتر تبدیل کند، و با تغییر سیاست در آموزش، همان سؤال ممکن است مفیدتر یا بی‌فایده‌تر شود؛ مثلاً «بودجه‌تان چقدر است؟» برای ایجنتی که نمی‌داند با جواب چه کند، فقط وقت کاربر را می‌گیرد.
روش
چارچوب CLEAT یک کنترل‌کننده‌ی ارزش روشن‌سازی و سیاست تسک را از نتیجه‌های تعامل مشترک با هم آموزش می‌دهد. «ارزش باقی‌مانده‌ی پرسش» سود تسک از پرسیدن به جای ادامه دادن با سیاست فعلی را می‌سنجد و با اجراهای جفتی از همان تاریخچه برآورد می‌شود. این بازده‌های جفتی کنترل‌کننده را برای پیش‌بینی ارزش روشن‌سازی و سیاست را برای انتخاب سؤال مفید و عمل بر اساس پاسخ آموزش می‌دهند، و نتیجه‌های ایجنت به‌روزشده برچسب‌های ارزش تازه می‌سازند.
یافته‌ها
- با Qwen3-4B، در هر ده تنظیم ارزیابی در چهار بنچمارک بالاترین میانگین امتیاز را گرفت.
- بهبود نسبت به قوی‌ترین پایه در UserGym Travel به ۱۳٫۲ و در دقت قضاوت ناقص بودن درخواست در IN3 به ۶٫۵ واحد درصد رسید.
- آموزش هم‌زمان سیاست تسک را حتی وقتی کنترل‌کننده در زمان اجرا حذف شد بهتر کرد، و تطبیق راهنمای روشن‌سازی با سیاست در حال تکامل سود بیشتری داد.
محدودیت‌ها
نویسنده‌ها در بخش جمع‌بندی و محدودیت‌ها محدودیت مشخص و جداگانه‌ای نام نمی‌برند؛ همه‌ی آزمایش‌ها با یک مدل ۴ میلیاردی و کاربران شبیه‌سازی‌شده انجام شده است.
چرا مهم است
ایجنتی که زیادی سؤال می‌پرسد آزاردهنده است و ایجنتی که هیچ نمی‌پرسد اشتباه می‌کند. این کار نشان می‌دهد زمان درست پرسیدن را می‌شود بر اساس سود واقعی پاسخ یاد گرفت.