G-CAST
一种面向电商Agent的受治理持续自训练框架,通过奖励路由与熵优先排序进行数据编排,结合受治理的奖励演化与基于累积评估的检查点切换,实现模型在需求漂移和工具链演进中的自动化、安全化持续更新。
时间轴 (近 90 天)
阿里巴巴1688团队提出了G-CAST系统,用于解决电商对话式购物Agent在需求漂移和执行框架演进下的持续学习问题。
G-CAST将日常生产数据转化为按奖励路由、按熵优先排序的训练数据,并配合受治理的奖励演化机制。
G-CAST采用基于累积评估的受治理检查点切换,每次模型更新需通过累积评估才能上线。
论文在真实的生产级电商Agent上进行了实验,结果显示与一个较强的自主后训练基线相比,G-CAST对新引入需求的适应更强,同时对先前已接受行为的保持也更好。
消融实验表明,奖励路由加熵优先的数据编排、以及受治理的奖励演化,两个组件对最终收益都很重要,去掉任何一个效果都会打折扣。
G-CAST已部署在源采(cai.1688.com),这是阿里巴巴1688平台上的B2B采购Agent。
G-CAST不是实验室里的离线方案,而是在真实B2B采购流量中运行的持续训练系统。
全部知识事实 (7)
论文在真实的生产级电商Agent上进行了实验,结果显示与一个较强的自主后训练基线相比,G-CAST对新引入需求的适应更强,同时对先前已接受行为的保持也更好。
50%待验证G-CAST将日常生产数据转化为按奖励路由、按熵优先排序的训练数据,并配合受治理的奖励演化机制。
50%待验证G-CAST采用基于累积评估的受治理检查点切换,每次模型更新需通过累积评估才能上线。
50%待验证阿里巴巴1688团队提出了G-CAST系统,用于解决电商对话式购物Agent在需求漂移和执行框架演进下的持续学习问题。
50%待验证消融实验表明,奖励路由加熵优先的数据编排、以及受治理的奖励演化,两个组件对最终收益都很重要,去掉任何一个效果都会打折扣。
50%待验证G-CAST不是实验室里的离线方案,而是在真实B2B采购流量中运行的持续训练系统。
50%待验证G-CAST已部署在源采(cai.1688.com),这是阿里巴巴1688平台上的B2B采购Agent。
50%