Mosaic: Multi-Session Agentic Reinforcement Learning
LARK, HKUST(GZ)(香港科技大学(广州)LARK实验室);Foundation Model Lab, Huawei(华为基础模型实验室);City University of Hong Kong(香港城市大学);HKUST(香港科技大学)
针对现有智能体强化学习单会话假设与跨会话轨迹不匹配的问题,提出无评论家分层优化的Mosaic方法,在BrowseComp数据集上验证其在两类场景中性能更优且会话使用更少。
2026-10-16 cs.AI cs.CL cs.LG
Structuring MoE Expert Selection for Agentic Reinforcement Learning
Apple(苹果公司);Purdue University(普渡大学)
针对长视界LLM智能体中的MoE模型,提出分层路由控制框架,通过对齐回合级专家选择与智能体操作并正则化令牌级选择,结合熵门控机制,在多个基准上实现成功率提升超10个百分点。
2026-10-07 cs.CL cs.LG
Learning from Environmental Feedback: Credit Assignment across Multiple Timescales for Agentic Reinforcement Learning
针对智能体强化学习的奖励延迟稀疏问题,提出基于环境反馈的跨时间尺度信用分配方法EFCA,在ALFWorld和WebShop上提升了任务成功率与质量。
2026-08-11 cs.CL cs.LG
Prorsa: Unleashing the Potential of Prefill-Decode Disaggregation in Agentic Reinforcement Learning
School of Computer Science, Peking University(北京大学计算机学院);LLM-Core Xiaomi(小米LLM核心部门)
Prorsa是一个智能体RL框架,通过预测引导的预填-解码资源分配,在同步和异步设置下实现1.11-4.05倍的端到端推理加速,提升了智能体RL的效率。
2026-10-14 cs.DC cs.LG
SKILL0: In-Context Agentic Reinforcement Learning for Skill Internalization
Zhejiang University(浙江大学);Meituan(美团);Tsinghua University(清华大学)
SKILL0通过在训练时逐步减少技能上下文,使模型在无任务检索情况下实现自主行为,实验显示在多个任务中性能提升显著。
2026-05-15 cs.LG
Communications-Incentivized Collaborative Reasoning in NetGPT through Agentic Reinforcement Learning
IEEE
本文提出NetGPT框架,通过代理强化学习实现AI原生xG网络的协作推理与自适应优化。
2026-01-31 cs.LG cs.MA
Entropy Pacing Policy Optimization for Multi-Task Agentic Reinforcement Learning
Generative AI Lab, College of Computing and Data Science, Nanyang Technological University(生成式人工智能实验室,南洋理工大学计算与数据科学学院);Tongyi Lab, Alibaba Group(阿里集团通义实验室)
研究多任务智能强化学习中任务间探索-利用步长不匹配问题,提出熵步长策略优化(EPPO),核心是任务级动态裁剪机制,实验证明EPPO在多任务智能基准上结果优于同类方法。
2026-07-09 cs.AI cs.LG
Single-Rollout Asynchronous Optimization for Agentic Reinforcement Learning
Tsinghua University(清华大学)
研究针对异步强化学习中训练稳定性和离策略挑战,提出单步异步优化(SAO)。核心方法是用单步采样取代分组采样,改进单步策略并引入裁剪策略。主要贡献是SAO训练稳定,性能优于GRPO及其变体,在模拟在线学习中有效且成功部署于模型训练。
2026-07-09 cs.AI cs.LG
Group-Reflective Self-Distillation for Agentic Reinforcement Learning
Baidu(百度)
该研究针对智能体强化学习中终端奖励监督粗粒度的问题,提出组内自蒸馏方法,利用策略自身已验证轨迹生成指导,细化回合级信用分配,在多环境多模型上性能优于基线且泛化性更好。
2026-08-04 cs.AI cs.LG
Scaling Agentic Capabilities, Not Context: Efficient Reinforcement Finetuning for Large Toolspaces
Microsoft Research(微软研究院)
ATLAS通过强化微调框架使小型语言模型在大规模工具空间中更高效地执行任务,通过学习上下文获取和动作执行,提升长周期工作流程的稳定性与效率。
2026-03-05 cs.AI cs.LG
EnvRL: Learn from Environment Dynamics in Agentic Reinforcement Learning
Department of Computer Science and Technology, Tsinghua University(清华大学计算机科学与技术系);Shanghai AI Laboratory(上海人工智能实验室)
提出EnvRL框架,通过状态预测和逆动力学两个辅助目标,将环境动力学学习融入智能体强化学习,在长周期任务中显著提升成功率。
2026-06-17 cs.CL cs.LG
MobileRL: Online Agentic Reinforcement Learning for Mobile GUI Agents
Tsinghua University(清华大学)
MobileRL提出在线智能体强化学习框架,通过难度自适应GRPO和最短路径奖励调整,提升移动GUI代理性能,在AndroidWorld和AndroidLab上取得最先进成功率。
2025-10-24 cs.AI cs.LG
SHARPO: Segment-Level Credit Assignment for Agentic Reinforcement Learning
Georgia Institute of Technology(佐治亚理工学院);LinkedIn Corporation(领英公司)
SHARPO提出段级信用分配机制,通过师生对数概率差距改进GRPO优势,在ALFWorld和WebShop上超越现有基线。
2026-10-06 cs.AI cs.LG
AstraFlow: Dataflow-Oriented Reinforcement Learning for Agentic LLMs
Carnegie Mellon University(卡内基梅隆大学);University of Michigan(密歇根大学);UC Berkeley(加州大学伯克利分校);Meta
AstraFlow通过数据流导向的强化学习系统,实现复杂多策略协作训练和高效利用异构计算资源,提升代理LLM的推理与工具使用能力。
2026-05-15 cs.AI cs.LG
EVOM: Agentic Meta-Evolution of Actor-Critic Architectures for Reinforcement Learning
Xidian University(西安电子科技大学)
提出EVOM框架,通过双层优化(内环低保真PPO训练权重,外环LLM设计智能体驱动元进化)自动搜索高性能演员-评论家架构,在Ant-v4和HalfCheetah-v4上超越基线方法。
2026-06-26 cs.AI cs.LG
MOLT: A Hugging Face-Native, Minimal, and Scalable Framework for Agentic Reinforcement Learning
NVIDIA(英伟达)
研究针对智能体强化学习中算法修改成本高的问题,提出原生 PyTorch 训练框架 Molt,其代码简洁,智能体是普通程序,通过异步循环训练策略,在全异步协议下性能与先进堆栈相当,且开源提供资源。
2026-11-19 cs.CL cs.DC cs.LG
Beyond Trajectory-Level Attribution: Graph-Based Credit Assignment for Agentic Reinforcement Learning
University of Science and Technology of China(中国科学技术大学)
提出GraphGPO方法,通过构建状态转移图并利用全局信息估计各状态到任务目标的距离,实现步骤级信用分配,提升训练效率和性能。
2026-06-01 cs.AI cs.LG
Mastering Visual Continuous Control: Improved Data-Augmented Reinforcement Learning
NYU(纽约大学);FAIR(Facebook人工智能研究院)
我们提出了DrQ-v2,一个无模型强化学习(RL)算法的视觉连续控制。DrQ-v2建立在DrQ的基础上,DrQ是一种非策略的行动者-批评者方法,使用数据增强直接从像素中学习。我们介绍了几项改进,这些改进在DeepMind Control Suite上产生了最先进的结果。值得注意的是,DrQ-v2能够直接从像素观察中解决复杂的人形运动任务,这是以前无模型RL无法实现的。DrQ-v2概念简单,易于实现,与以前的工作相比,它提供了更好的计算占用空间,大多数任务只需8小时即可在单个GPU上进行训练。最后,我们公开发布DrQ-v2的实现,为RL从业者提供强大且计算效率高的基线。
2021-07-20 cs.AI cs.LG
CARL: Criticality-Aware Agentic Reinforcement Learning
National University of Singapore, Singapore(新加坡国立大学)
CARL通过识别关键状态中的动作选择,提升长周期代理推理的性能与效率,采用熵作为启发式代理,减少噪声信用分配和冗余计算。
2026-05-11 cs.AI cs.CL cs.LG
Agentic Monte Carlo: Simulating Reinforcement Learning for Black-Box Agents
University of Cambridge(剑桥大学)
提出Agentic Monte Carlo (AMC)方法,利用序贯蒙特卡洛从最优策略后验中采样,无需参数级优化即可对黑盒LLM智能体进行强化学习式优化,在AgentGym基准上超越提示基线并随测试时计算扩展优于GRPO。
2026-06-03 cs.AI cs.LG
AI2STOW: End-to-End Deep Reinforcement Learning to Construct Master Stowage Plans under Demand Uncertainty
IT University of Copenhagen(哥本哈根信息技术大学)
本文提出AI2STOW,一种结合可行性投影和动作掩码的端到端深度强化学习模型,用于在需求不确定性下求解集装箱船主积载计划问题,并在目标性能和计算效率上优于强化学习和随机规划基线方法。
2025-04-06 cs.AI cs.LG math.OC
Mastering the Game of Guandan with Deep Reinforcement Learning and Behavior Regulating
本文提出GuanZero框架,通过深度神经网络编码方案调控智能体行为,并结合蒙特卡洛方法掌握掼蛋游戏,实验证明其优于现有方法。
2024-02-21 cs.AI cs.LG
Dynamic Skill Lifecycle Management for Agentic Reinforcement Learning
Database Group, The Chinese University of Hong Kong(香港中文大学数据库组);Lanzhou University(兰州大学)
本文提出SLIM框架,通过动态优化变量管理代理强化学习中的外部技能集,提升任务性能。
2026-10-14 cs.CL cs.LG
ARL-Tangram: Unleash the Resource Efficiency in Agentic Reinforcement Learning
School of Computer Science, Peking University(北京大学计算机科学系);LLM-Core Xiaomi(小智LLM核心)
ARL-Tangram通过动作级 orchestration 实现细粒度外部资源共享与弹性调度,提升代理强化学习的资源利用效率,实验表明其在平均动作完成时间、训练步长速度和外部资源节约方面均有显著提升。
2026-03-13 cs.AI cs.DC cs.LG
Meta-Reinforcement Learning with Self-Reflection for Agentic Search
Allen Institute for AI(Allen人工智能研究所);University of Washington(华盛顿大学);Independent(独立)
本文提出MR-Search,一种基于上下文的元强化学习框架,通过自我反思优化搜索策略,提升测试时探索效率,实验显示其在多个基准上表现优异。
2026-03-18 cs.CL cs.LG
SmartFlow Reinforcement Learning and Agentic AI for Bike-Sharing Optimisation
Department of Data Science, Machine Learning \& Artificial Intelligence, PES University, Bengaluru, Karnataka - 560100, India;1 Sunrise Setting Ltd, 12a Fore Street, St. Marychurch, Torquay, Devon, TQ1 4NE, UK 2 European Alliance for Innovation (EAI), Gent, Belgium
SmartFlow 通过整合强化学习与代理AI,实现城市自行车共享系统的高效再平衡,显著减少网络不平衡并提升运营效率。
2025-12-30 cs.AI cs.LG
Group-Graph Policy Optimization for Long-Horizon Agentic Reinforcement Learning
Peking University(北京大学);Microsoft Corporation(微软公司)
提出G2PO算法,通过构建全局状态转移图并引入组聚合状态值估计和边中心优势估计,解决长程智能体强化学习中的奖励稀疏和信用分配粗粒度问题,在WebShop等基准上显著提升成功率。
2026-10-19 cs.AI cs.CL cs.LG
WAR: Workload-Aware Rollouts for Synchronous Agentic Reinforcement Learning
研究针对智能体强化学习中展开成为系统瓶颈的问题,提出工作负载感知展开系统WAR,通过联合优化解码和调度加速同步智能体RL,在不同负载下提高吞吐量,消除主要展开瓶颈,为长上下文智能体训练提供实用路径。
2026-07-21 cs.AI cs.CL cs.LG
Agentic-Kube: A Graph-Enhanced Multi-Agent Reinforcement Learning Framework for Multi-Objective Kubernetes Scheduling
University of Westminster Computer Science(威斯敏斯特大学计算机科学);University of Westminster(威斯敏斯特大学)
本文提出AGMARL-DKS,通过多智能体强化学习解决动态Kubernetes调度问题,引入图神经网络和应力感知策略,提升容错性和资源利用率。
2026-08-31 cs.DC cs.LG cs.MA
From Imitation to Interaction: Mastering Game of Schnapsen with Shallow Reinforcement Learning
Vrije Universiteit Amsterdam(弗里兹大学阿姆斯特丹)
本文研究浅层神经网络代理是否能掌握纸牌游戏斯纳普森,并挑战使用蒙特卡洛采样和前瞻搜索的强搜索基线RdeepBot。通过逐步更复杂的实验设计,首先评估了基于回放数据训练的监督学习代理(MLPBot)以及通过异步蒙特卡洛更新和经验回放训练的强化学习代理(RLBot)。结果表明,监督模仿不足以击败强RdeepBot对手,而强化学习产生了更强的代理。在聚焦RdeepBot深度参数的设置中,最佳性能是在学习的价值函数与游戏过程中更深层次的前瞻搜索结合时实现的,使RLBot在最强的RdeepBot基线下实现了统计显著更高的胜率。在基于样本的设置中,收益更具条件性:最强性能出现在相对较低的训练num_samples参数下,而不是随着更强采样均匀增加。
2026-05-16 cs.AI cs.LG
Self-Distilled Agentic Reinforcement Learning
Zhejiang University(浙江大学);Meituan(美团);Tsinghua University(清华大学)
本文提出SDAR方法,通过将OPSD作为辅助目标并保持RL为主优化,解决多轮代理中的稳定性问题,提升性能。
2026-05-14 cs.AI cs.CL cs.LG
AgentOPSD: Recursive Self-Distillation for Agentic Reinforcement Learning
Tsinghua University(清华大学);Zhejiang University(浙江大学);Meituan(美团)
提出 AgentOPSD 这一无 critic 的递归自蒸馏方法,用于智能体强化学习的轮次级 credit 分配,在 ALFWorld 等数据集上优于 GRPO 等基线,在 Qwen2.5-7B 模型上实现 ALFWorld 89.1% 的成功率。
2026-08-07 cs.AI cs.LG
BRIDGE: Bilevel Retrieval-Credit-Aware Agentic Reinforcement Learning
Cornell University(康奈尔大学);Institute of Science Tokyo(东京科学大学);Cisco Research(思科研究院)
本文提出BRIDGE,一种双层优化方法,联合训练检索器与LLM策略以解决智能体强化学习中的信息信用缺口,在七个开放域问答基准上取得最高平均准确率,多跳EM分别提升9.6和3.4点。
2026-09-30 cs.AI cs.LG math.OC
Trident : How to Break Deep Reinforcement Learning Cyber Defenses (Agentic)
University of California, Irvine(加州大学欧文分校);Northeastern University(东北大学);Johns Hopkins University(约翰斯·霍普金斯大学)
研究针对DRL网络防御对自适应威胁鲁棒性不足的问题,提出Trident智能体式LLM红队框架,通过含三类组件的设计,发现现有防御存在根本性脆弱性,大幅降低蓝方防御性能并揭示新兴行为。
2026-09-25 cs.AI cs.CR cs.LG
Agentic Reinforcement Learning with Self-Distilled Reward Shaping
针对智能体强化学习中稀疏奖励无法分配中间决策信用的问题,提出ADRS框架,通过校准教师分数等提升多轮语言智能体在长时域任务的性能,且增益稳定。
2026-08-05 cs.AI cs.CL cs.LG
Trajectory-Relative Hindsight Distillation for Agentic Reinforcement Learning
Zhejiang University(浙江大学);Shanghai AI Laboratory(上海人工智能实验室);Tencent(腾讯)
针对智能体强化学习中事后信号分配不清的问题,提出TRIAL框架,通过轨迹相对步分配优化监督信号,在WebShop、ALFWorld等任务上优于GRPO及多数基线方法,提升了任务性能。
2026-08-10 cs.CL cs.LG
Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm
DeepMind
国际象棋是人工智能历史上研究最广泛的领域。最强大的程序是基于复杂的搜索技术,特定领域的适应性和手工制作的评估功能的组合,这些功能已经由人类专家在几十年内进行了改进。相比之下,AlphaGo Zero程序最近在围棋比赛中取得了超人的表现,这是通过自玩游戏的tabula rasa强化学习实现的。在本文中,我们将这种方法概括为一个单一的AlphaZero算法,可以实现,白板,超人的性能在许多具有挑战性的领域。从随机游戏开始,除了游戏规则之外没有任何领域知识,AlphaZero在24小时内在国际象棋和将棋(日本象棋)以及围棋游戏中达到了超人水平,并且令人信服地击败了世界冠军程序。
2017-12-05 cs.AI cs.LG
SLEA-RL: Step-Level Experience Augmented Reinforcement Learning for Multi-Turn Agentic Training
Carnegie Mellon University(卡内基梅隆大学)
本文提出SLEA-RL框架,通过步骤级经验增强提升多轮代理训练性能,采用动态经验库和策略优化方法,在长周期任务中优于传统强化学习基线。
2026-03-18 cs.AI cs.LG
Mastering Complex Control in MOBA Games with Deep Reinforcement Learning
Tencent AI Lab(腾讯人工智能实验室);Tencent Timi Studio(腾讯天美工作室)
研究多人在线对战竞技场(MOBA)1v 1游戏中复杂动作控制的强化学习问题。这个问题涉及比传统的1v 1游戏(如围棋和Atari系列)复杂得多的状态和动作空间,这使得搜索任何具有人类水平性能的策略变得非常困难。在本文中,我们提出了一个深度强化学习框架,从系统和算法的角度来解决这个问题。我们的系统是低耦合和高可扩展性,这使得在大规模的有效探索。我们的算法包括几个新的策略,包括控制依赖解耦,动作掩码,目标注意力,和双剪辑PPO,我们提出的演员-评论家网络可以有效地在我们的系统中训练。在MOBA游戏《王者荣耀》上测试,我们的人工智能智能体腾讯Solo可以在全1v 1游戏中击败顶尖的人类职业选手。
2020-12-15 cs.AI cs.LG
Agentic Transformers Provably Learn to Search via Reinforcement Learning
Carnegie Mellon University(卡内基梅隆大学);University of Pennsylvania(宾夕法尼亚大学);The Ohio State University(俄亥俄州立大学);Yale University(耶鲁大学)
本文通过构建双头Transformer实现随机深度优先搜索,并分析策略梯度训练动力学,证明该搜索机制能从稀疏强化反馈中分阶段涌现,且具备深度泛化能力。
2026-05-29 cs.AI cs.LG math.OC
TuneAgent: Agentic Operating System Kernel Tuning with Reinforcement Learning
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Nanyang Technological University(南洋理工大学)
提出TuneAgent框架,利用基于规则的强化学习使大语言模型自主探索Linux内核空间,通过结构化奖励函数和两阶段训练策略解决稀疏反馈问题,实现高达5.6%的性能提升。
2026-05-31 cs.AI cs.LG cs.OS
SkillScaffold: Scaffolding Agentic Reinforcement Learning with Policy-Adaptive Skill Credit Assignment and Selective Injection
Zhejiang University(浙江大学);Kuaishou Technology(快手科技);University of the Chinese Academy of Sciences(中国科学院大学);Zhejiang University of Science and Technology(浙江科技学院)
SkillScaffold是一种策略自适应训练支撑,通过低成本技能效用估计与选择性技能注入解决现有技能型智能体强化学习的缺陷,在多基准任务上优于相关基线,且验证了效用选择与弃权的重要性。
2026-10-14 cs.CL cs.LG
More Methods, Better Agents? A Reality Check on Self-Distillation in Agentic Reinforcement Learning
Zhejiang University(浙江大学);Ant Group(蚂蚁集团)
该研究针对智能体强化学习的自蒸馏,将十种方法与GRPO在四个基准、三种模型规模下对比,发现无方法始终优于GRPO,训练成本与性能无必然关联,建立了公平全面的比较基准。
2026-10-15 cs.CL cs.LG
MARCO: Multi-Round Agentic Reinforcement for Conditional Molecular Optimization
Fudan University(复旦大学);Shanghai Innovation Institute(上海创新研究院);Soochow University(苏州大学);Southeast University(东南大学);East China Normal University(华东师范大学)
MARCO提出了一种基于评估器的多轮强化学习框架,通过提议-反馈-修订轨迹训练分子编辑器,在MuMOInstruct基准上实现了性质成功率和相似性的最佳平衡。
2026-09-30 cs.CL cs.LG
Agentic Reinforcement Learning for Real-World Code Repair
LinkedIn
本研究提出可验证的代码修复流水线,并基于简化环境对Qwen3-32B进行SFT和RL训练,发现匹配训练-测试环境对构建可靠智能体至关重要。
2025-10-24 cs.AI cs.CL cs.LG
Compiler-R1: Towards Agentic Compiler Auto-tuning with Reinforcement Learning
University of Chinese Academy of Sciences(中国科学院大学);Institute of Software Chinese Academy of Sciences(中国科学院软件研究所);Beijing University of Posts and Telecommunications(北京邮电大学);Hangzhou Institute for Advanced Study at UCAS(UCAS杭州高等研究院)
Compiler-R1提出首个强化学习驱动的编译器自动调优框架,利用高质量推理数据集和两阶段端到端训练,在七个数据集上平均减少8.46%的IR指令数,显著提升LLM优化能力。
2025-05-30 cs.AI cs.LG
Artificial Generals Intelligence: Mastering Generals.io with Reinforcement Learning
本文提出了基于 Generals.io 的实时策略游戏环境,兼容 Gymnasium 和 PettingZoo,并通过监督预训练与自我博弈训练出登顶人类排行榜的基线智能体,为多智能体强化学习研究提供了平台。
2025-07-10 cs.AI cs.LG
T2SPO: Trajectory-to-Step Policy Optimization for Agentic Reinforcement Learning
State Key Laboratory of Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);School of Intelligence Science and Technology, Nanjing University(南京大学智能科学与技术学院);ByteDance(字节跳动)
提出T2SPO方法,利用成功轨迹提供步骤级反馈,通过TabPFN估计剩余距离辅助信用分配,在ALFWorld和WebShop上提升智能体任务成功率。
2026-10-02 cs.AI cs.LG
ThunderSyncRL: Lossless Acceleration of Agentic Reinforcement Learning
Stanford University(斯坦福大学);Yonsei University(延世大学);Korea University(高丽大学);Bespoke Labs
ThunderSyncRL通过梯度流实现智能体强化学习的无损加速,消除同步训练中的空闲气泡,同时避免异步训练的策略陈旧性,在SWE-bench Verified和Terminal Bench 4.0上实现最高1.9倍加速和2.47个百分点的性能提升。
2026-10-06 cs.AI cs.LG
HARTS: A Prefix-Sharing Training System for Agentic RL with Hybrid-Attention Models
Ant Group(蚂蚁集团)
HARTS是首个针对任意展开树前缀共享的混合注意力模型智能体RL系统,通过分块线性注意力算法等技术实现了4.81-4.87倍的训练加速,数值与奖励表现与基线相当。
2026-10-27 cs.DC cs.LG
When Does Muon Help Agentic Reinforcement Learning?
研究μ子在稀疏奖励智能体强化学习中的作用,通过与AdamW对比,发现在组内组策略优化下,μ子应用于隐藏权重矩阵能提升成功率,效果与优势估计器、学习率有关,表明其可使智能体RL受益,还需多种子和跨任务验证。
2026-08-04 cs.AI cs.LG
UniIntervene: Agentic Intervention for Efficient Real-World Reinforcement Learning
Nanyang Technological University(南洋理工大学);Beijing University of Posts and Telecommunications(北京邮电大学)
提出UniIntervene智能干预模型,通过检测低效探索并自主恢复策略至高价值状态,在真实机器人操作任务中平均成功率提升8.6%,人类干预减少57%。
2026-06-11 cs.LG cs.RO
Tool-R1: Sample-Efficient Reinforcement Learning for Agentic Tool Use
Harbin Institute of Technology(哈尔滨工业大学);Huawei Noah’s Ark Lab(华为诺亚实验室)
本文提出强化学习框架Tool-R1,通过生成可执行Python代码实现LLMs的多步工具使用,并采用动态样本队列提升训练效率,在GAIA基准上较基线提升约10%。
2025-09-16 cs.CV cs.LG
ProAS: A Progress-Aware Advantage Shaping Framework for Multi-Turn Agentic Reinforcement Learning
Zhejiang University(浙江大学);School of Engineering, Westlake University(西湖大学工程学院);Institute of Advanced Technology, Westlake Institute for Advanced Study(西湖高等研究院先进技术研究所);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
ProAS是面向多轮智能体强化学习的即插即用框架,通过ARG、MUI和APR解决无评判者算法的均匀信用分配困境,在Qwen2.5模型上提升了ALFWorld、WebShop任务性能并加快收敛
2026-10-27 cs.AI cs.LG