ANTE：从可验证信念中学习编码智能体的内部世界模型

ANTE 是一个强化学习框架，通过真实执行验证策略的动作前预测，并将其转化为逐步信用，用于编码智能体的动作与信任或放弃决策。它提出的 Belief-Anchored Policy Optimization（BAPO）把预测结果锚定为逐步优势，ANTE-TTO 则在推理时无需外部评分器即可在候选动作中选择。