Newest papers

Rewards for Budget-Aware Multi-Turn Agents That Adapt to Arbitrary Test-Time Constraints

Tom A. Lamb, Adam Golinski, Eleonora Gualdoni, Sinead Williamson, Michael Kirchhof · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28409 · open-access PDF

Russian

Большим языковым модельным агентам часто дают выводный бюджет и просят максимизировать успех в нем. Агент с несколькими поворотами должен распределить этот бюджет по многим взаимодействиям в окружающей среде. Внешний шланг может навязать бюджет, но остается неясным, может ли сам агент узнать, когда и сколько потратить. Мы спрашиваем, могут ли агенты изучить это распределение по динамически определенным бюджетам и какие вознаграждения лучше всего учат этому поведению. Мы адаптируем существующие штрафы длины к ограничениям бюджета, охватывающим несколько типов ресурсов, вводим новые формулировки вознаграждений, и сравниваем одиннадцать объектов

Machine translation (Meta M2M100); the English original follows.

Abstract

Large language model agents are often given an inference budget and asked to maximise success within it. A multi-turn agent has to allocate this budget across many environment interactions. An external harness can enforce the budget, but it remains unclear whether the agent itself can learn when and how much to spend. We ask whether agents can learn this allocation across dynamically specified budgets and which rewards best teach this behaviour. We adapt existing length penalties to budget constraints spanning multiple resource types, introduce new reward formulations, and compare eleven objec

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange