# VCBM ने इनाम से जुड़ी अहम कार्रवाइयों पर RL प्रशिक्षण केंद्रित किया

> University of Manchester के एक शोधप्रबंध में ऐसे तरीकों का परीक्षण किया गया है, जो अहम नतीजों वाली कार्रवाइयों को अधिक श्रेय देते हैं। दो अलग-अलग परिस्थितियों में इसके नतीजे उत्साहजनक रहे।

Oossa · 2026-10-20 · https://oossa.com/hi/vcbm-focuses-rl-training-on-decisions-tied-to-rewards

University of Manchester के एक शोधप्रबंध में Visual Causal-chain Bookmarking (VCBM) पेश किया गया है। यह तरीका reinforcement-learning एजेंटों को यह सीखने में मदद करता है कि किन कार्रवाइयों से बाद में मिलने वाले इनाम हासिल हुए। घड़ी की मरम्मत के सिमुलेशन में, 20 रन के दौरान औसतन 1,532.3 एपिसोड में इसकी सही निर्णय लेने की दर 95.07% रही। वहीं, RUDDER बेसलाइन को उतने ही नतीजे तक पहुंचने में 3,327.1 एपिसोड लगे। AppWorld में VCBM-मिश्रित प्रशिक्षण से कार्यों की सफलता दर 0.354 से बढ़कर 0.458 हुई। हालांकि, इस तुलना में हर तरीके के लिए सिर्फ एक रन किया गया, इसलिए इसे सांख्यिकीय पुष्टि नहीं माना जा सकता।

## तथ्य

- घड़ी की मरम्मत के प्रयोग में 20 seeds का इस्तेमाल हुआ; VCBM ने उन सभी में ज्ञात कारणात्मक संरचना से मेल खाया।
- AppWorld की तुलना में Qwen2.5-7B-Instruct का इस्तेमाल हुआ और हर तरीके के लिए एक seed था।

## यह क्यों मायने रखता है

देर से मिलने वाले इनाम वाले कार्यों के लिए एजेंटों को प्रशिक्षित करने वाले शोधकर्ताओं को VCBM अहम फैसलों पर जोर देने का एक परखा हुआ तरीका देता है। हालांकि, AppWorld के नतीजे की विश्वसनीयता स्पष्ट होने से पहले और रन करने होंगे।

## स्रोत और संदर्भ

1. [Visual Causal-chain Bookmarking: Retrieval-Weighted Credit Assignment for Reinforcement Learning from Delayed Reward](https://arxiv.org/abs/2610.24032) – arXiv cs.LG, 2026-10-20

अंतिम अपडेट: 2026-10-20