arXiv cs.CL· Artin Tajdini, Manpreet Kaur, Peng Qi·· 3 天前AI 评分25
One Task, Many Interfaces：简单跨接口一致性训练提升 LLM 智能体鲁棒性
One Task, Many Interfaces: Simple Cross-Interface Consistency Training Improves LLM Agent Robustness
AI 导读
研究提出 Cross-Interface Policy Regularization（CIPR），一种自监督目标，通过将动作名替换为无信息标识符、并在两种接口下呈现同一样本，惩罚两种接口下动作分布之间的 KL 散度，使策略行为保持一致。
正文 · AI 翻译
摘要：后训练将 LLM 智能体的能力绑定到它所训练的接口上。对该接口进行语义保持的扰动，例如重命名某个动作或更改表示法，底层任务并未改变，却会使智能体表现变差。独立地对每个样本评分意味着接口随机化只会将这种依赖从单一接口扩展到训练接口分布，因此分布外的扰动仍会降低智能体性能。我们提出跨接口策略正则化（CIPR），这是一种自监督目标，它将动作名称替换为无信息量的标识符，并在两种接口下呈现每个训练样本，其中等价动作通过构造被识别为相同。CIPR 惩罚两种接口下所诱导的动作分布之间的 KL 散度，从而使策略在两者之间表现一致。我们在监督学习和强化学习后训练中评估 CIPR，它提升了鲁棒性。在智能体函数调用中，留出的接口扰动使后训练智能体的准确率下降近 25%，而 CIPR 恢复了 10.5%，同时未改变接口上的准确率保持不变。
| Subjects: | 机器学习（cs.LG）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.20576 [cs.LG] |
| （或 arXiv:2610.20576v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.20576 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Artin Tajdini [查看电子邮件]
[v1]
2026年10月14日星期三 17:56:06 UTC（372 KB）
来源：arXiv cs.CL · arxiv.org