論文の概要: InternReviewer & InternAdvocate: Objective Reward and Evaluation for Agentic Reinforcement Learning in Peer Review and Rebuttal
- arxiv url: http://arxiv.org/abs/2608.28612v1
- Date: Tue, 21 Jul 2026 06:32:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.41093
- Title: InternReviewer & InternAdvocate: Objective Reward and Evaluation for Agentic Reinforcement Learning in Peer Review and Rebuttal
- Title（参考訳）: InternReviewer & InternAdvocate: Peer Review と Rebuttal におけるエージェント強化学習の客観的リワードと評価
- Abstract要約: 本研究は、専門研究員InternReviewerとInternAdvocateの開発と評価のための総合的な枠組みを提示する。
これらのエージェントを最適化するために、統一された客観的計量と報酬システムによって駆動されるエージェント強化学習パラダイムを実装した。
実験により, このクローズドループ・フレームワークで訓練したエージェントは, 推理深度と励磁精度が有意に向上したことが示された。
- 参考スコア（独自算出の注目度）: 40.407494156676655
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating professional scholarly content, such as peer reviews and rebuttals, requires an intricate synergy between domain reasoning and factual grounding. This work presents a comprehensive framework for the development and evaluation of specialized scholarly agents, InternReviewer and InternAdvocate. We first establish a large-scale, high-quality scholarly dataset and integrate a high-efficiency arXiv retrieval tool to enable active evidence gathering. To optimize these agents, we implement an agentic Reinforcement Learning (RL) paradigm driven by a unified objective metric and reward system. This system avoids the biases of subjective model-based judging by employing multi-dimensional criteria, including reference-anchored semantic alignment, structural compliance, and a strict verification mechanism that cross-checks citations against real-time interaction logs to eliminate hallucinations. Experimental results demonstrate that agents trained within this closed-loop framework exhibit significant improvements in reasoning depth and citation accuracy.
- Abstract（参考訳）: ピアレビューや反論などの専門的な学術的内容を生成するには、ドメイン推論と事実的根拠の間の複雑なシナジーが必要である。
本研究は、専門研究員InternReviewerとInternAdvocateの開発と評価のための包括的枠組みを提示する。
まず,大規模で高品質な学術データセットを構築し,高効率なarXiv検索ツールを統合して,積極的な証拠収集を可能にする。
これらのエージェントを最適化するために、統一された客観的メトリックと報酬システムによって駆動されるエージェント強化学習(RL)パラダイムを実装した。
本システムは,実時間対話ログに対する引用を相互にチェックして幻覚を除去する厳密な検証機構を,参照型セマンティックアライメント,構造コンプライアンスなどの多次元基準を用いて,主観的モデルに基づく判断のバイアスを回避する。
実験により, このクローズドループ・フレームワークで訓練したエージェントは, 推理深度と励磁精度が有意に向上したことが示された。
関連論文リスト
- EGTR-Review: Efficient Evidence-Grounded Scientific Peer Review Generation via Multi-Agent Teacher Distillation [5.917645474179334]
EGTR-ReviewはEvidence-Grounded and Traceable Review Generationフレームワークである。
私たちのコード、プロンプト、設定、サンプルデータはGitHubで入手可能です。
論文 参考訳（メタデータ） (2026-06-04T11:17:40Z) - RubricEM: Meta-RL with Rubric-guided Policy Decomposition beyond Verifiable Rewards [76.17893114021757]
長い形式のレポートを計画し、調査し、エビデンスを評価し、合成する深層研究システムには、根本的な答えがなく、多くのツール強化された決定にまたがる。
本研究では,ルーブリックは最終回答評価者だけでなく,ポリシーの実行,判断フィードバック,エージェントメモリを構成する共有インターフェースとして機能すべきである,と論じる。
我々は、段階的な政策分解とリフレクションに基づくメタ政治進化を組み合わせたルーリック誘導強化学習フレームワークEMを導入する。
論文 参考訳（メタデータ） (2026-05-11T17:40:38Z) - Debate as Reward: A Multi-Agent Reward System for Scientific Ideation via RL Post-Training [5.60408836929398]
逆ハック(Reward Hacking)とは、モデルが不完全な評価プロキシを利用してスコアを最大化し、真の科学的革新を生まない場所である。
本稿では,高品質な科学的アイデア生成に適したRLフレームワークを提案する。
我々のフレームワークは、ノベルティ、実現可能性、有効性の専門家評価指標間で、最先端のベースラインを著しく上回ります。
論文 参考訳（メタデータ） (2026-04-17T21:54:15Z) - Learning to Retrieve from Agent Trajectories [72.8923565916533]
我々はエージェント間相互作用データから直接エージェント探索のための検索モデルを訓練すべきであると主張している。
エージェント・トラジェクトリからの学習を新たな訓練パラダイムとして導入し,マルチステップエージェントのインタラクションから指導を導出する。
本研究は,エージェント探索時代における検索の方向性を示すとともに,エージェントトラジェクトリを実用的でスケーラブルな監視源として強調するものである。
論文 参考訳（メタデータ） (2026-03-30T17:59:02Z) - Pitfalls in Evaluating Interpretability Agents [91.49742416116635]
我々は,実験を反復的に設計し,仮説を洗練するエージェントシステムを構築した。
我々の研究は、複雑な自動解釈可能性システムを評価する上での根本的な課題を実証している。
論文 参考訳（メタデータ） (2026-03-20T16:27:17Z) - DREAM: Deep Research Evaluation with Agentic Metrics [21.555357444628044]
本稿では,DREAM(Deep Research Evaluation with Agentic Metrics)を提案する。
DREAM構造評価は、クエリ非依存のメトリクスとツール呼び出しエージェントが生成する適応的なメトリクスを組み合わせた評価プロトコルを用いて行われる。
制御された評価は、DREAMが既存のベンチマークよりも事実や時間的劣化にかなり敏感であることを示している。
論文 参考訳（メタデータ） (2026-02-21T19:14:31Z) - Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。
提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。
本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-02-03T15:32:09Z) - Chaining the Evidence: Robust Reinforcement Learning for Deep Search Agents with Citation-Aware Rubric Rewards [60.0970117192627]
強化学習(Reinforcement Learning, RL)は, LLMに基づくディープサーチエージェントの強化に重要な手法である。
既存のアプローチは主にバイナリ結果の報酬に依存しており、エージェントの推論プロセスの包括性と事実性を捉えていない。
ディープサーチエージェントのための微粒化報酬フレームワークである textbfCitation-aware RL Rewards (CaRR) を提案する。
論文 参考訳（メタデータ） (2026-01-09T18:57:53Z) - A Rigorous Benchmark with Multidimensional Evaluation for Deep Research Agents: From Answers to Reports [24.09178055088843]
Deep Research Agents (DRA)は、タスク分解、クロスソース検索、多段階推論、構造化出力の能力を示す。
本稿では,DRAとレポートスタイルの応答に適した厳密なベンチマークと多次元評価フレームワークを提案する。
このフレームワークは、DRAが生成した長期レポートの総合的な評価を可能にし、セマンティックな品質、トピックの焦点、検索の信頼性のための総合的なスコアリング指標を統合する。
論文 参考訳（メタデータ） (2025-10-02T16:40:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。