一句话看懂：arXiv 上新论文提出 GARDEN，用大语言模型充当“奖励工程师”，为一系列相关协作场景设计同一套奖励代码，并原样迁移到训练时未见过的场景中，在 Overcooked 和 SMAX 基准上报告了明显提升。
事件核心：发生了什么
协作多智能体强化学习（MARL）中，智能体团队最终学到什么，很大程度取决于奖励函数。仅靠任务成功信号往往不够，研究者通常要手写中间奖励，而环境或团队一变，这套工作又要重做。2026 年 10 月 30 日公开于 arXiv 的论文提出 GARDEN（Generalist Autonomous Reward Design through Evidence Navigation）：由 LLM 担任奖励工程师，查看环境代码、训练记录和智能体行为，写出奖励程序，并通过试训练验证草稿；学习算法和最终奖励的筛选规则保持固定，目标是用一个奖励程序覆盖一组相关场景，再原样迁移到设计阶段未出现的场景。
摘要给出的数据是：在 Overcooked 两个厨房布局上，任务回报相对默认奖励分别提升 58.2% 和 52.5%；SMAX 两个战斗场景的平均胜率从 51.0% 升到 89.9%。在候选奖励与探测预算相同条件下，GARDEN 的 84.2% 和 79.2% 分别高于固定诊断反馈与受 Eureka 启发的奖励反思方法。需要说明，以上仅为论文摘要信息，未核验全文实验，也不代表已上线产品或经过同行评审。
为什么重要
奖励设计是强化学习落地中人力成本高、可复用性差的一环。GARDEN 把“写奖励”从单场景调参改成面向场景族的程序生成与证据驱动筛选，若方法可复现，将降低多智能体系统在新环境中的调优门槛。它也在路径上与 Eureka 等 LLM 奖励生成思路形成对照：重点不是单次生成，而是跨场景复用和固定评测规则下的可比较性。
对用户/开发者/创作者的影响
对做机器人协作、自动驾驶仿真、游戏 AI 的开发者，这类研究提供了一种思路：把环境代码和训练日志作为 LLM 的输入材料，自动产出候选奖励，再通过试训练筛选。不过目前公开信息只覆盖两个基准和有限场景，离直接接入生产训练管线还有距离；团队若尝试复现，应关注算力开销、训练稳定性以及奖励代码的可审计性。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是全文是否披露更多场景族和失败案例；二是奖励程序在环境改动后是否仍保持迁移效果；三是社区是否出现开源实现或与现有 MARL 框架的集成。
来源：arXiv cs.AI
