यह अध्ययन दीर्घ क्षितिज एजेंटों में अभिनेता, न्यायाधीश और शिक्षक निर्णय मॉडल की व्याख्या करता है
एक अध्ययन से पता चलता है कि कमजोर LLM अभिनेता एजेंटों को चरण-स्तरीय न्यायाधीश पुरस्कार के माध्यम से सिखा सकते हैं, जिससे दीर्घ क्षितिज कार्यों में ALFWorld और WebShop प्रदर्शन में सुधार होता है।