研究者らは、”ゴールから逆算”して一手ごとに点数を自動でつけ、LLMエージェント自身が少しずつ賢くなっていく仕組みを作りました。
その際「良い行動をほめる」より「悪い行動に対してダメ出しする」力を強めたことが効果的だったそうです。
結果、見たことのない課題でも少ない練習で、 上手にこなせるようになったとのこと。
手法のポイントは他にも、以下の通り。
・お手本データと自分の失敗データを混ぜて使う
・採点役と本体を切り離して順番に育てる
・数手先まで見通して点数を評価する
最後の「数手先まで見る」を外すと成績がはっきり落ちたそうです。
ICML2026に採択。
