في عالم الذكاء الاصطناعي، يتطلب تحسين نماذج اللغات الضخمة (LLMs) لوكلاء الرعاية طويلة الأمد تحقيق توازن دقيق بين الأهداف الزمنية المتأخرة وديناميكيات البيئة الفورية، مثل معاناة المريض ومقاومته. هذا التحدي يصبح بالغ الصعوبة في رعاية مرضى الزهايمر، حيث تكون المكافآت على مستوى المسار نادرة للغاية، مما يجعل من الصعب توجيه المكافآت على مستوى المراحل.

للتغلب على هذه العقبة، تم تقديم إطار عمل مبتكر يدعى **T²-GRPO** (تحت تسمية T$^{2}$-GRPO)، والذي يفصل عملية التعلم العميق لوكلاء الرعاية إلى أفقين مكافأة مختلفين، مما يعزز الأمان من خلال تطبيق قيود صارمة. تشتق تقنية T²-GRPO مكافآت دقيقة على مستوى التفاعلات من تحولات الحالة البيئية، حيث تقيس التغيرات في معاناة المرضى ومقاومتهم باستخدام محاكٍ للمرضى المصابين بالزهايمر.

تم دمج هذه المكافآت المتجذرة في البيئة مع تقييمات على مستوى المسار من خلال التنسيق المستقل، الذي يحافظ على إشارات المكافأة المتنوعة ويقلل من خطر انهيار المكافآت. وقد أظهرت التجارب الشاملة على وكلاء الرعاية لمرضى الزهايمر أن T²-GRPO يتفوق على النماذج التنافسية السابقة، مما يشير إلى تحسن كبير في السيناريوهات الحساسة عاطفياً، حيث يمكن للنظام التعامل بفعالية مع ردود الفعل الفورية للمرضى والمخرجات طويلة الأجل ومتطلبات الأمان.