论文
超越简单的环境缩放：为多模式代理学习设计有效的环境分布
Beyond Simply Environment Scaling: Designing Effective Environment Distributions for Multimodal Agent Learning
摘要
最近的工作通过构建大规模多模式环境池来训练智能体。然而，我们发现仅仅增加多模式环境的数量并不总是有益。我们通过一系列实验进一步分析当前多模态环境分布的局限性。基于这些发现，我们从**多样性**和**难度结构**两个维度研究如何构建更有效的训练环境分布。为了多样性，我们提出**能力感知环境选择（AES）**来获得不同的环境集。对于难度结构，我们提出**分级难度课程（HDC）**，它通过两个难度级别来组织课程学习：利用弱化和状态规模进展。实验表明，AES 和 HDC 有效改善了多模态智能体训练。