NVIDIA PivotOPD は、マルチターン AI エージェントに重大なミスから回復する方法を教えます

NVIDIA の研究者は、初期の重大なミスを回避し、そこから回復するためにマルチターン LLM エージェントをトレーニングするオンポリシー蒸留手法である PivotOPD を導入し、3 つのエージェントで 13 のベースラインに対して最良の平均を記録しました。

概要は情報提供のみを目的としてまとめられています。全文についてはソース リンクを参照してください。デモのエントリは一例です。