关于 Multi-Agent Self-Improving RL 的报道

提出在视频推理中让可训练Grounder与冻结Verifier构成多智能体框架，用组相对策略梯度将冻结验证器的分数引入训练。相比此前验证器仅用于推理时重排，该方法使冻结模型也能指导训练，无需微调验证器即可提升时序证据选择能力。