يقدم الباحثون إطار عمل التعلم بالتعزيز CARE-PPO الذي يربط بين توقع الخسارة لتقدير عدم اليقين وضبط PPO الدقيق للوكيل والمقيم. يسمح هذا النهج بالتعلم المشترك للتقديرات العددية الدقيقة وإشارات الثقة الموثوقة في التنبؤ الكمي القائم على اللغة من مدخلات غير منظمة.
- يستخدم CARE-PPO مكافأة متوافقة مع الثقة للتقدير (Confidence-Aligned Reward for Estimation) لتقديم ملاحظات كثيفة واعية للأخطاء للوكيل بينما يوائم المقيم مع جودة التنبؤ.
- يُعاد استخدام المقيم كمُقدِّر للثقة أثناء الاستدلال، متفوقًا على الأسس المرجعية القائمة على اللوغاريتمات والمُعبَّرة لفظيًا من حيث المحاذاة.
- تم تقييمه في مهام الرعاية الصحية والتمويل باستخدام نماذج Qwen-3 (4B و8B)، حيث حقق CARE-PPO أداءً كميًا قويًا تحت إعدادات خارج التوزيع.
- تقلل الطريقة من الإفراط في التخصيص للمهمة على أوامر المتابعة العامة، مما يوضح مزايا التعميم الأوسع لضبط RL الدقيق.
يعالج CARE-PPO الحاجة الحاسمة لمعرفة متى يمكن الوثوق بالتنبؤات من خلال تقديم تقديرات ثقة متوافقة بشكل أفضل بكثير من الأسس المرجعية الحالية.