Hacktoberfest 2026：メンテナが10月に向けて印を付けた、オープンで初心者向けの issue。 Hacktoberfest の issue を見る

Add benchmark suite comparing native policy learning vs fine-tuning on representative agent workloads

オープン
  • 何か問題がありますか？
#1 コメント 1 件 リアクション 0 件 担当者 0 名 GitHub で見る

メンテナーはふだん 4 日以内に返信

まだ誰も着手していません。

評価

難易度
5/5
見積もり時間
1週間以上
初心者へのやさしさ
35/100
issue の種類
機能追加
明瞭さ
おおむね明確
活発さ
活発
技術スタック
azure, python
領域
ai, machine-learning, testing-qa

調査の方向性

既存のPython学習ループ、つまり離散アクションに対するsoftmaxポリシー、Azure AI Evaluationの評価器、REINFORCE更新、永続化されたエピソードから始めます。少なくとも2つの代表的なタスクファミリーを中心にベンチマークを構築し、共有する報酬基準と成功基準を用いて重みのファインチューニングベースラインと比較し、1つのコマンドでシード付きの結果と限定的な主張に基づくドキュメントを再現できるようにします。

索引モデルが issue の本文から書いたものです。

説明

The Toulmin analysis calls out that the strongest claim in the whitepaper is the architectural case for native policy learning, but the weakest point is the lack of benchmark evidence showing that policy-layer learning achieves comparable quality gains on real workloads. This is the highest-value gap to close because it is the direct test of the core substitution claim.

The current repo already models the learning loop as a softmax policy over discrete actions, judged by three Azure AI Evaluation evaluators, with REINFORCE updates and persisted episodes. The missing piece is a hard benchmark that compares this approach against a weight fine-tuning baseline on at least one realistic task family, using the same reward and success criteria.

Suggested scope

Add benchmark harnesses for at least two or three representative task families, such as structured tool use, RAG, and prompt/routing optimization.
Compare native policy learning against a fine-tuning baseline on both reward and task-success metrics.
Publish a reproducible results table with seeds, evaluation protocol, and acceptance criteria.
Include a clear “bounded claim” section in docs that explains when policy learning is expected to work and when it is not.

Acceptance criteria

Benchmark results are reproducible from a single command or script.
Results include both reward and task-success outcomes.
The comparison explicitly calls out the conditions under which native policy learning is expected to match or fall short of fine-tuning.

主要言語
Python
スター
12
フォーク
11
平均マージ
1日 22時間
マージ済み PR（30日）
8

環境構築

このプロジェクトには開発コンテナ、Dockerfile、コントリビューションガイドがありません。まず README を読み、一般的な手順ははじめてのコントリビューションガイドを参照してください。

はじめの一歩

  1. issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
  2. 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
  3. リポジトリをフォークし、ブランチを切って変更します。
  4. issue 番号を参照したプルリクエストを送ります。

microsoft/agent-learning のほかの issue

microsoft/agent-learning の issue をすべて見る

似ている issue

Python の issue をもっと見る

新しい issue をメールで受け取る

初心者向けの GitHub issue を短くまとめたダイジェスト。