Learning a calibrated decision head from logged bandit feedback

决策头读取状态和选项列表，并在一次前向传播中返回每个选项的概率。部署后，它通常仅观察所选选项是否正确：带带权反馈。我们基于此类头，从反馈中适配LoRA模型Qwen3-0.6B-Base和1.7B-Base，并报告三个结果。