# VCBM riktar RL-träning mot beslut som ger belöning

> En avhandling från University of Manchester testar en metod som ger större vikt åt avgörande handlingar, med lovande resultat i två olika miljöer.

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

I en avhandling från University of Manchester presenteras Visual Causal-chain Bookmarking (VCBM), en metod som hjälper förstärkningsinlärande agenter att lära sig vilka handlingar som ledde till belöningar längre fram. I en simulering av klockreparation fattade metoden korrekta beslut i 95.07% av fallen efter i genomsnitt 1,532.3 episoder i 20 körningar, jämfört med 3,327.1 episoder för RUDDER-baslinjen. I AppWorld ökade VCBM-blandad träning andelen lyckade uppgifter från 0.354 till 0.458. Jämförelsen byggde dock på bara en körning per metod och är därför ingen statistisk bekräftelse.

## Fakta

- Experimentet med klockreparation använde 20 frön; VCBM matchade den kända kausalstrukturen i samtliga.
- Jämförelsen i AppWorld använde Qwen2.5-7B-Instruct och ett frö per metod.

## Varför det spelar roll

För forskare som tränar agenter på uppgifter med fördröjda belöningar erbjuder VCBM ett testat sätt att lyfta fram avgörande beslut. Resultatet i AppWorld behöver dock bekräftas med fler körningar innan man kan bedöma hur tillförlitligt det är.

## Källor och referenser

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

Senast uppdaterad: 2026-10-20