长视频编辑智能体要连续做素材选择、剪切、排序、字幕和导出，最终成片出炉后才得到好坏评价。阿里巴巴、中国科学技术大学等机构提出GRPB，把同一任务多版成片的相对排名，重新分配给中间编辑片段，用于训练9B参数的Crayotter。
论文图1：同一任务的多个成片可以排序，但终局名次需要被定位到具体编辑片段。
固定素材和要求后，主观评价才可比较
不同客户、素材和制作要求之间，一分之差没有统一含义。GRPB只在同一任务内部比较多个候选剪辑，把排序转成总和为零的优势值：更好的版本得到正信用，更差版本得到负信用。
系统再用分配器把信用放到语义编辑片段。导出是否成功、操作是否可执行等过程反馈在片段末端加入，成片偏好与可验证的编辑行为因此进入同一训练管线。
论文图2：过程反馈和同任务成片偏好在片段边界汇合，再用于策略更新。
分配器慢一拍，避免拿当前判断训练当前样本
如果分配器一边评价当前轨迹，一边立即被同一批结果更新，它可能把噪声放大。GRPB使用滞后一版分配器给当前批次分信用，当前比较结果只训练下一批使用的版本。
信用还受到上限与守恒约束。每条轨迹得到的总预算保持不变，同一任务组内正负压力精确相抵；可靠性不足时，系统减少或停止传递偏好信用。
论文图3：片段分数经封顶分配，轨迹预算守恒，同任务组保持零和。
15.7分高于同环境开源模型，绝对分仍低
在AgenticVBench的100项加权任务上，Crayotter-9B平均15.7分。论文同环境对照中，Qwen3.5-397B-A17B为10.9，Kimi-K3为9.3，Gemma-4-31B-it为7.9。匹配9B消融中，GRPB也高于过程PPO和终局排名PPO。
论文图4：训练曲线同时跟踪价值损失、有效导出率、分配器准确率和信用可靠性。
15.7仍是较低的绝对分数。基准使用Claude Opus 4.7和Gemini 3.1 Pro作为裁判，并按四类能力加权；盲法人评提供补充证据，但样本和任务仍来自受控套件。论文展示的是延迟主观反馈的一种训练方法，不是可稳定替代人类剪辑师的产品。
