Hugging Face发布CLIFT：基于共形自验证的智能体训练与测试扩展方法

摘要：Hugging Face推出了一种名为CLIFT的新方法，旨在解决开源网络智能体训练中的弱监督问题。CLIFT通过共形自验证机制，在训练过程中利用智能体对自身行为的自然语言验证问题进行回答，并通过组合共形认证器筛选有效信号，动态调整奖励机制。在测试阶段，CLIFT通过冻结认证库并采用保守多数投票规则，实现了无需外部裁判的轨迹选择，从而大幅提升了智能体在复杂任务中的表现。该方法在WebArena Infinity等基准测试中表现出色，并展示了跨场景迁移的潜力。

---

技术机制剖析

CLIFT的核心机制包括两个主要部分：训练阶段的共形自验证和测试阶段的共形轨迹选择（CTS）。

1. 训练阶段:

   • 自然语言验证问题: 智能体在训练过程中回答关于自身行为的自然语言问题，这些问题旨在捕捉智能体行为的逻辑性和一致性。
   • 组合共形认证器: 该组件筛选出与训练时裁判一致的问题信号，并通过极性感知提升（polarity-aware lift）分配信任权重。
   • 奖励融合: 认证器的评分被融合到每步奖励中，但不会从裁判基线中减去，从而确保奖励机制的稳定性。

2. 测试阶段:

   • 冻结认证库: 训练中使用的认证库被冻结并作为结构化证据用于CTS。
   • 保守多数投票: 智能体采样一个贪婪轨迹和多个多样化的重试轨迹，自验证器总结每个URL轨迹，并采用保守多数投票规则决定是否切换当前轨迹，而无需调用任何外部裁判。

工程权衡与实测表现

CLIFT在多个基准测试中表现出色：

• WebArena Infinity: CLIFT在开源网络智能体中达到了最先进的性能，展示了其在复杂任务中的鲁棒性。
• VisualWebArena: 通过开放模型训练的认证库在测试时迁移到GPT-5.5，并在规范框架下达到了最先进的性能，展示了跨模型迁移的潜力。
• Online Mind2Web: 在未在基准测试上训练智能体的情况下，翻译认证问题库在零样本评估中提升了实时网络智能体的表现，展示了其在实际应用中的灵活性。

开发者落地与部署建议

CLIFT为开发者提供了一种新的训练和测试方法，特别适用于以下场景：

• 资源受限环境: 通过减少对外部裁判的依赖，CLIFT降低了训练和推理成本。
• 复杂任务场景: CLIFT在处理复杂任务时表现出色，开发者可以利用其自验证机制提升智能体的决策能力。
• 跨场景迁移: CLIFT的认证库可以迁移到不同的模型和场景中，为开发者提供了更大的灵活性。

开发者可以结合现有的强化学习框架，将CLIFT集成到智能体训练流程中，以提升训练效率和智能体性能。

---

消息来源：Hugging Face Daily Papers (2026-10-05)

—— 完 ——

主题标签： #Hugging Face 关注 #智能体 关注 #强化学习 关注 #共形自验证 关注 #多模态AI 关注