Investigadores proponen marcos de RL para harnesses de agentes

Dos nuevos papers en arXiv describen marcos para aplicar aprendizaje por refuerzo a agentes que se ejecutan dentro de harnesses complejos y de larga duración. LEGO-RL se centra en agentes de programación, con proxying de LLM en proceso, orquestación de sandboxes, herramientas de validación y monitoreo, y una interfaz en vivo para alinear el entrenamiento con gradiente de política con la ejecución nativa del harness. ClawGym II presenta un marco de RL de caja negra para agentes generales, que utiliza rollouts concurrentes en sandbox, proxies de servicio en los límites del modelo, reconstrucción de trayectorias con árboles de prefijos y adaptaciones de PPO y GRPO.