待验证50% 置信事实精确时间
现有的界面随机化策略只能将Agent对界面的依赖从'单一界面'扩展到'训练界面分布'，对分布外扰动依然会导致Agent性能退化。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
跨界面一致性训练：让LLM Agent更鲁棒的新方法
rss2026/10/14
涉及实体
相关事实
已验证行为克隆存在分布偏移（Distribution Shift）问题：训练时策略只接触专家轨迹覆盖的状态分布，部署时微小偏差累积会使实际访问的状态分布逐渐偏离训练分布66% 相似待验证LLM Agent的能力高度依赖训练时使用的交互界面，语义等价但表述不同的接口（如动作名从search改为lookup，或参数从JSON改为YAML）会导致其表现明显下滑。66% 相似待验证以往的多模态扩散工作通常先训练单模态基础模型再通过微调扩展到双模态生成，该路线降低了训练成本但可能限制跨模态交互的深度。64% 相似已验证OpenAI在训练灵巧手解魔方时使用了自动域随机化（Automatic Domain Randomization），通过动态调整环境难度保证训练效率64% 相似已验证域随机化技术在训练时随机扰动物理参数（如质量、摩擦系数、电机延迟等），迫使策略学会在各种条件下鲁棒运行63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1037938API
curl https://kongchang.com/api/v1/knowledge/claims/1037938MCP
get_claim(id=1037938)