Aligning to What? Rethinking Agent Generalization in MiniMax M2

MiniMax 探討 AI Agent 的對齊難題，指出傳統對齊方法無法提升 Agent 泛化力，並提出 M2 的全新對齊思路。

本文探討 MiniMax 在 Agent 領域的最新研究思考。傳統 LLM 對齊（如 RLHF）偏重人類對話喜好，但對需要操作工具、適應動態環境的 AI Agent 而言，這種方式無法提升其泛化能力。MiniMax M2 提出重新定義 Agent 的對齊目標，應從「對齊人類偏好」轉向「對齊環境反饋與任務成功率」，以解決 Agent 在面對未知環境時的泛化瓶頸。

摘要由 AI 整理,以原文為準。