SAPO: Single-Rollout Autoregressive Policy Optimization for Agentic Reinforcement Learning
Xiamen University(厦门大学);Nanyang Technological University(南洋理工大学)
本研究针对智能体强化学习现有方法的三大局限,提出SAPO框架,其共享策略与价值函数的自回归主干,结合广义优势估计器,在ALFWorld、WebShop任务上性能优于PPO和GRPO,内存与计算效率更高。
2026-10-01 cs.AI
PATS: Policy-Aware Training Scaffolding for Agentic Reinforcement Learning
研究针对长期语言模型智能体强化学习中弱策略问题,提出以策略为中心的训练范式Pats,将技能作为动态训练框架,通过转换展开组为证据卡、特定任务评估调整上下文等改进策略,在多个任务上取得良好效果。
2026-07-31 cs.AI
Nanbeige4.2-3B: Unlocking Agentic Capabilities in a Compact Model
Nanbeige LLM Lab(南北贝大语言模型实验室)
介绍南贝格4.2 - 3B紧凑通用智能体模型,通过特定预训练方式构建,利用多种强化学习方法提升质量与效率,在多任务和基准测试中表现出色,优于更大模型,有潜力成为紧凑本地个人助手。
2026-07-28 cs.AI cs.CL
ProRL Agent: Rollout-as-a-Service for RL Training of Multi-Turn LLM Agents
本文提出ProRL Agent,通过API服务提供完整的代理rollout生命周期,支持多样化的代理任务,在无根HPC环境中提供标准化可扩展的沙箱环境,通过软件工程、数学、STEM和编程任务的RL训练验证其有效性。
2026-03-19 cs.AI
TRACE: A Unified Rollout Budget Allocation Framework for Efficient Agentic Reinforcement Learning
Tsinghua University(清华大学);Tencent(腾讯)
针对多轮智能体强化学习中奖励对比度不足的问题,提出TRACE框架,通过将每个ReAct式思考-行动-观察步骤建模为语义节点,在固定采样预算内将预算分配到提示根和中间前缀,增强奖励对比,提升策略更新信号。
2026-08-25 cs.AI cs.CL cs.LG
Agentic-DPO: From Imitation to Agentic Policy Optimization on Expert Trajectories
Johns Hopkins University(约翰·霍普金斯大学)
研究针对大语言模型智能体基于专家轨迹训练只学动作序列、难应对错误的问题,提出Agentic-DPO方法,通过转化专家轨迹为状态条件偏好监督,结合策略保持增强,实现低成本智能体策略优化,实验验证其有效性。
2026-07-14 cs.AI
Beyond Pass@k: Measuring Reliability and Security of Agentic Code Generation
Stevens Institute of Technology(史蒂文斯理工学院);Cornell University(康奈尔大学)
该研究指出AI编码智能体基准误用Pass@k指标,提出正确的Reliability@k及安全调整版,通过实验验证误用指标的偏差,还在SWE-bench试点中发现真实场景下的核心问题。
2026-08-18 cs.AI
PivotRL: High Accuracy Agentic Post-Training at Low Compute Cost
Department of XXX, University of YYY, Location, Country(XXX系,YYY大学,地点,国家);School of ZZZ, Institute of WWW, Location, Country(ZZZ学院,WWW研究所,地点,国家)
PivotRL结合监督微调的高效计算与端到端强化学习的泛化能力,通过局部策略滚动和奖励机制提升代理后训练的准确性和效率。
2026-03-22 cs.AI
RAPO: Expanding Exploration for LLM Agents via Retrieval-Augmented Policy Optimization
Fudan University(复旦大学);Zhejiang University(浙江大学);UC Davis(加州大学戴维斯分校)
RAPO通过引入检索增强策略优化,扩展LLM代理的探索能力,提升训练效率和探索效果。
2026-03-03 cs.AI
RISED: RubrIcs for agentic multi-environment Selection and sElf-Distillation
National University of Singapore(新加坡国立大学);Apple(苹果公司)
RISED利用跨环境共享的评分准则标签,指导多环境智能体强化学习中的在线数据选择与自蒸馏监督,提升各环境平均通过率。
2026-10-02 cs.AI
OpenTinker: Separating Concerns in Agentic Reinforcement Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
介绍OpenTinker,一种用于训练大型语言模型智能体的开放基础设施。通过共享执行资源和多LoRA策略,围绕策略生命周期运行,支持SFT和RL,实现多用户等共享基础模型并隔离更新等。
2026-07-07 cs.AI cs.DC
Progress- and Reliability-Oriented Group Policy Optimization for Agentic Reinforcement Learning
Baidu Inc.(百度公司);Peking University(北京大学)
研究基于组的强化学习,针对步级优势估计对组形成方式敏感的问题,提出ProGPO方法,通过精确前缀动作比较及结合语义扩展与逆方差融合估计势,在任务中改进了基线方法。
2026-07-07 cs.AI
CRAFT: Counterfactual Credit Assignment from Free Sibling Rollouts for Self-Distilled Agentic Reinforcement Learning
提出CRAFT方法,通过反事实令牌重要性、非对称控制器和极化KL惩罚三个支柱,解决自蒸馏强化学习中信用分配信号的双重局限性,提升智能体性能。
2026-06-28 cs.AI cs.LG
Libra: Efficient Resource Management for Agentic RL Post-Training
The Chinese University of Hong Kong(香港中文大学);The Hang Seng University of Hong Kong (2018)(香港恒生大学)
针对智能体强化学习中长尾、非平稳工作负载带来的资源管理挑战,提出Libra系统,通过周期性全局资源规划器和因果驱动多级反馈队列调度器,实现GPU分配优化和请求调度,最高提升3倍吞吐量和2.5倍收敛速度。
2026-09-17 cs.AI cs.DC cs.LG
SkillTV-Bench: Benchmarking How Well Judges Perform on Skill-Augmented Agentic Execution
SkillTV-Bench是含681个案例的智能体轨迹基准,用于评估技能感知轨迹验证;提出SkillTV-Evolve优化JudgeSkill,使智能体评判者准确率提升14.8个百分点,选定轨迹成功率大幅提高。
2026-08-07 cs.AI
Signal Reshaping for GRPO in Weak-Feedback Agentic Code Repair
The Chinese University of Hong Kong(香港中文大学);Sun Yat-sen University(中山大学);Tencent(腾讯)
本文研究了在弱反馈环境下,通过信号重塑提升GRPO在代理代码修复中的性能,通过三种信号重塑方法改进轨迹排名、轨迹内信用分配和组内可比性,实验表明信号重塑显著提高了修复准确率。
2026-05-08 cs.AI
PEARL: Adaptive Prefill-Decode Execution with Elasticity for Agentic Reinforcement Learning
USTC(中国科学技术大学);HKUST(香港科技大学);Alibaba Group(阿里巴巴集团)
针对智能体强化学习中多轮 rollout 成本高、训练 GPU 闲置的问题,提出 PEARL 系统,通过弹性资源协调、空闲训练 GPU 复用和自适应预填充-解码配置,显著提升吞吐量。
2026-09-29 cs.AI
Waking Up Blind: Cold-Start Optimization of Supervision-Free Agentic Trajectories for Grounded Visual Perception
Indian Institute of Technology Delhi(印度理工学院德里);Indian Institute of Technology Abu Dhabi(印度理工学院阿布扎比);Microsoft Research(微软研究院)
本文提出SPECTRA框架,通过冷启动强化学习提升小视觉语言模型的视觉鲁棒性和工具协调能力,无需监督即可提高任务准确性和工具效率。
2026-04-19 cs.AI cs.CL cs.LG
Agent-G$^2$: Gaussian Guidance for Agentic Reinforcement Learning
Baidu Inc.(百度公司);Shandong University(山东大学);Zhejiang University(浙江大学)
Agent-G$^2$ 是面向智能体强化学习的高斯引导框架,通过在线估计高斯分布参数确定引导深度,在 ALFWorld 等任务上以更低成本实现优于基线的性能。
2026-08-25 cs.AI cs.CL
Hierarchy-of-Groups Policy Optimization for Long-Horizon Agentic Tasks
Nanyang Technological University(南洋理工大学);Southeast University(东南大学)
HGPO通过分层组策略优化解决长周期代理任务中分步优势估计的上下文不一致问题,提升策略优化效果。
2026-02-26 cs.AI cs.LG
Asynchronous Is Nearly Free for Evolution Strategies on Long-Horizon Agentic Tasks
University of Miami(迈阿密大学);Harvard University(哈佛大学)
本文提出有界陈旧性异步进化策略,在长时程智能体任务上验证其与同步ES性能相当,且能容忍策略滞后,为ES后训练异步化奠定基础。
2026-10-06 cs.AI
RTPO: Reverse-Turn Policy Optimization for Stabilizing Agentic RL Training
Adelaide University(阿德莱德大学);The University of Sydney(悉尼大学);Curtin University(科廷大学);School of CSIT(计算机科学与信息技术学院);ACFR(澳大利亚空间研究中心);School of EECMS(电子工程、计算机与数学科学学院)
针对多回合智能体RL训练不稳定问题,提出RTPO方法,通过反向回合策略优化消除上下文不匹配与异步漂移,实验显示其较基线提升21.50%、10.76%。
2026-09-01 cs.AI
HERO: Hindsight-Enhanced Reflection from Environment Observations for Agentic Self-Distillation
University of California, San Diego(加州大学圣地亚哥分校);Independent Researcher(独立研究员);University of California, Berkeley(加州大学伯克利分校)
提出HERO框架,利用环境观察作为局部对齐反馈进行自蒸馏,解决多轮设置中特权反馈与当前决策上下文不对齐导致的性能下降问题,在TauBench和WebShop上提升任务成功率并减少冗余轮次。
2026-06-11 cs.AI
ARISE: Adapting to Evolving Capability Gaps in Agentic Reinforcement Learning
ARISE提出自适应评分标准-技能协同进化框架,利用展开证据动态调整评估与训练,以应对智能体能力缺口演变,在SkillsBench和Terminal-Bench上提升任务性能与训练效率。
2026-09-29 cs.AI
VeriHarness: Scaling Agentic Verification for Long-Horizon Tasks
Google Cloud AI Research(谷歌云人工智能研究院);University of Cambridge(剑桥大学)
针对长时程任务中LLM智能体输出验证难题,提出VeriHarness方法,将底层LLM转化为智能体验证器,通过分歧解决与共识挑战机制,在五个基准上取得最优选择分数,并实现自我改进。
2026-10-02 cs.AI cs.MA
Beyond Ten Turns: Unlocking Long-Horizon Agentic Search with Large-Scale Asynchronous RL
IIIS, Tsinghua University(清华大学智能技术学部);Ant Group(蚂蚁集团);University of Washington(华盛顿大学)
本文提出ASearcher,通过大规模异步强化学习训练搜索智能体,突破轮次限制实现长程搜索,在xBench和GAIA上超越现有开源32B模型。
2025-10-26 cs.AI cs.CL
Unlocking the Regulatory Genome by ARGUS: An Evidence-Constrained Agentic Framework for Interpreting Single Nucleotide Variants
Stony Brook University(石溪大学);Renaissance School of Medicine at Stony Brook University(石溪大学雷内桑斯医学院)
本文提出ARGUS框架,将确定性生物学计算与LLM推理分离,针对疾病相关非编码区单核苷酸变异,通过多数据库证据分析,为不同转录因子生成差异化研究轨迹,解决大语言模型解释变异时的幻觉问题。
2026-10-09 cs.AI cs.LG q-bio.GN
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
WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents
Weixin AI, Tencent(腾讯微信人工智能);Sun Yat-sen University(中山大学)
针对现有多模态搜索智能体忽略图像、长程交互易失败的问题,提出 WeAgent-MMSearch 系统,通过 WeAgent-Harness 实现文本-视觉交互,经 FA-GSPO 后训练后,模型在多模态搜索基准上性能大幅提升。
2026-09-01 cs.AI
Process Reward Informed Tree Rollout for Effective Multi-Turn RL
UC San Diego(加州大学圣地亚哥分校);Amazon(亚马逊);MIT Alumni(麻省理工学院校友)
研究多轮强化学习中有效探索问题,提出过程评分器引导的自适应树展开框架PATR,利用过程反馈评分轨迹、选择性分支等,在FrozenLake和SWE - Bench实验中提升性能,是可扩展多轮强化学习的有效策略。
2026-07-20 cs.AI cs.CL cs.LG
Beyond Parallel Sampling: Diverse Query Initialization for Agentic Search
Carnegie Mellon University(卡内基梅隆大学);Instituto Superior Técnico and INESC-ID, University of Lisbon(里斯本大学高等技术学院和INESC-ID);NOVA LINCS, NOVA School of Science and Technology(新里斯本大学科学与技术学院NOVA LINCS)
针对智能搜索中的广度缩放,提出DivInit方法,通过在第一轮生成多样化查询而非独立采样,缓解查询冗余问题,在多跳问答任务中平均提升5-7个点。
2026-06-17 cs.AI cs.IR
StraTA: Incentivizing Agentic Reinforcement Learning with Strategic Trajectory Abstraction
The Chinese University of Hong Kong(香港中文大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);University of Georgia(佐治亚大学);University of Oxford(牛津大学);Shenzhen Loop Area Institute(深圳河套学院)
本文提出StraTA框架,通过引入显式的轨迹级策略提升代理强化学习的样本效率和最终性能,实验显示其在ALFWorld、WebShop和SciWorld上均优于基线模型。
2026-09-28 cs.AI cs.CL
Rollout Cards: A Reproducibility Standard for Agent Research
Deepflow;Nanyang Technological University(南洋理工大学)
本文提出Rollout Cards作为代理研究的可重复性标准,通过保留rollout记录并声明报告规则,解决评估结果不可复现的问题。
2026-05-12 cs.AI
RTMC: Step-Level Credit Assignment via Rollout Trees
Alibaba Group(阿里巴巴集团)
RTMC通过展开树方法实现步骤级信用分配,无需学习型批评者,提升SWE-bench Verified任务的pass@1性能3.2个百分点。
2026-04-13 cs.AI cs.LG
Learning to Present: Inverse Specification Rewards for Agentic Slide Generation
Tavus Inc.(Tavus公司);University of Texas at Dallas(德克萨斯大学达拉斯分校);Texas A&M University(德克萨斯农工大学)
本文提出一个兼容OpenEnv的强化学习环境,通过工具使用训练LLM代理生成专业HTML幻灯片,引入多组件奖励系统,包括结构验证、渲染质量评估、LLM审美评分、内容质量指标和逆规范奖励,实验显示细调模型在质量与工具使用合规性上表现优异。
2026-03-17 cs.AI
Agentic Entropy-Balanced Policy Optimization
Renmin University of China(中国人民大学);Kuaishou Technology(快手科技)
针对智能体强化学习中熵信号过度依赖导致的训练崩溃问题,提出AEPO算法,通过动态熵平衡采样和熵感知策略优化,在14个数据集上超越7种主流算法,仅用1K样本即取得显著性能提升。
2025-10-16 cs.AI cs.CL cs.IR
RoRecomp: Enhancing Reasoning Efficiency via Rollout Response Recomposition in Reinforcement Learning
Tencent Youtu Lab(腾讯优图实验室);Fudan Univeristy(复旦大学);Nankai University(南开大学)
本文提出即插即用的 RoRecomp,通过重组在线 rollout 响应形成优先与补偿批次,在保持性能稳定的同时显著缩短推理长度并减少智能体工具调用。
2025-09-30 cs.AI cs.CL
EvoTrainer: Co-Evolving LLM Policies and Training Harnesses for Autonomous Agentic Reinforcement Learning
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(深圳先进技术研究院,中国科学院);Tongyi Lab , Alibaba Group(通义实验室,阿里巴巴集团);Alibaba Group(阿里巴巴集团);SUAT(深圳大学)
提出EvoTrainer框架,通过协同进化LLM策略和训练端框架,基于经验反馈自动诊断、修正并积累可复用技能,在数学推理、编程竞赛和仓库级软件工程任务上匹配或超越人工设计的RL基线。
2026-06-15 cs.AI
Maximizing Rollout Informativeness under a Fixed Budget: A Submodular View of Tree Search for Tool-Use Agentic Reinforcement Learning
Shanghai Jiao Tong University(上海交通大学);Shanghai Maritime University(上海 Maritime 大学)
本文提出在固定预算下最大化 rollout 信息量的问题,通过将中间状态选择转化为单调子模最大化问题,提出 InfoTree 框架,结合 UUCB 和 ABA,提升性能。
2026-05-06 cs.AI cs.LG stat.ML
Scaling Test-Time Compute for Agentic Coding
Meta Superintelligence Labs(Meta超级智能实验室);University of Washington(华盛顿大学);New York University(纽约大学);Google DeepMind(谷歌DeepMind);Carnegie Mellon University(卡内基梅隆大学);Princeton University(普林斯顿大学)
本文提出基于轨迹紧凑表示的代理编程测试时扩展框架,通过递归竞赛投票和并行-蒸馏-细化方法提升长周期代理性能,实验证明在SWE-Bench和Terminal-Bench上显著提升效果。
2026-04-16 cs.AI cs.CL cs.LG
TRIAGE: Role-Typed Credit Assignment for Agentic Reinforcement Learning
LinkedIn Corporation(领英公司);Harvard University(哈佛大学);Johns Hopkins University(约翰霍普金斯大学)
提出TRIAGE框架,通过角色类型化信用分配修正GRPO仅依赖结果信用的盲点,在ALFWorld等任务中提升成功率并减少交互步数。
2026-07-21 cs.AI cs.LG
Missing Old Logits in Asynchronous Agentic RL: Semantic Mismatch and Repair Methods for Off-Policy Correction
Tianjin University(天津大学);Tsinghua University(清华大学);Peking University(北京大学);JDT AI Infra(京东AI基础设施)
本文研究了异步代理强化学习中因缺失旧日志导致的语义不匹配问题,提出三种精确获取旧日志的策略及近似修正方法,改进了PPO-EWMA方法,提升了训练速度和优化性能。
2026-09-30 cs.AI cs.LG
PGPO: Potential-Guided Policy Optimization for Multi-Turn Agentic Tasks
Fudan University(复旦大学);Zuoyebang Education Technology(作业帮教育科技);BEDI Cloud(贝迪云)
针对多轮智能体任务中基于组的RL信用分配粗糙问题,提出PGPO方法,通过估计状态潜在值推导动作优势实现跨轨迹信用传播,在ALFWorld和WebShop上性能优于相关方法,且训练开销低。
2026-09-03 cs.AI
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
Do Agents Know When They Succeed? Calibrating Agent Confidence from Internal Representations
UMass Amherst(马萨诸塞大学阿默斯特分校)
本文提出两种基于内部表示的方法(LTD和ARP)来校准多轮智能体置信度,在三个基准和三个模型上优于现有基线,实现零开销可靠性监控。
2026-09-10 cs.AI
Hierarchical Agentic Incident Response with Digital-Twin-Validated Attack Inference
City University of Hong Kong(香港城市大学);Fordham University(福特汉姆大学)
该研究针对网络事件响应效率低的问题,提出整合LLM攻击推理、滚动规划与数字孪生验证的分层智能体响应框架,在33组件企业网络测试台的多阶段攻击场景中,其恢复成功率较前沿LLM基线提升18%-31%。
2026-08-18 cs.AI cs.CR
Learning When Not to Act: Mitigating Tool Abuse in Agentic Reinforcement Learning
NLPR, Institute of Automation, Chinese Academy of Sciences(NLPR,自动化研究所,中国科学院);ByteDance(字节跳动);Zhejiang University(浙江大学)
提出EAPO框架,通过引入无工具轨迹、难度感知奖励塑造和置信度感知令牌重加权,在数学和知识密集型推理任务中减少工具滥用,同时提升准确率-效率权衡。
2026-06-02 cs.AI
SPO++: Stream-Aligned Policy Optimization for Asynchronous Agentic RL
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Duke University(杜克大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所)
SPO++通过标准化终端结果优势、按策略事件组织提示证据优化SPO,在ALFWorld和Math-TIR上提升异步智能体强化学习的在线学习效率,动作token测度归一化是其核心有效组件。
2026-08-26 cs.AI
Dynamic Dual-Granularity Skill Bank for Agentic RL
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Pengcheng Laboratory(鹏城实验室);Sun Yat-Sen University(中山大学);MemoraX AI
提出D2Skill,一种动态双粒度技能库,通过任务技能和步骤技能分别提供高层指导和细粒度决策支持,利用配对基线回放和技能注入回放的性能差距更新技能和优化策略,在ALFWorld等任务上显著提升性能。
2026-05-25 cs.AI
Guide, Then Let Go: Gap-Adaptive Teacher Scheduling for Sparse-Reward Agentic RL
DUT(大连理工大学);XJTU(西安交通大学);THU(清华大学);UCAS(中国科学院大学);BFSU(北京外国语大学);SEU(东南大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学);Kuaishou(快手)
针对稀疏奖励智能体强化学习的冷启动问题,提出基于师生性能差距自适应的教师调度方法GATS,动态调整蒸馏权重,在教师优于学生时提供指导,差距逆转后撤回,提升平均成功率4.37%-11.87%。
2026-09-30 cs.AI
GrandCode: Achieving Grandmaster Level in Competitive Programming via Agentic Reinforcement Learning
DeepReinforce Team(DeepReinforce 团队)
本文提出GrandCode,一种用于竞技编程的多代理强化学习系统,通过代理模块协同训练和代理GRPO算法,实现了在竞技编程比赛中超越人类选手的突破。
2026-08-07 cs.AI
ROSS: Relearning from Self-Generated Rollouts through Selective Supervision
ROSS通过选择性监督从历史自生成轨迹中重新学习,在多个任务上提升性能,无需额外策略轨迹。
2026-09-30 cs.AI cs.LG
PlanPO: Group Planning-Aware Policy Optimization for Multi-Turn Agentic LLMs
针对现有组相对策略优化无法区分成功轨迹效率差异的问题,提出 PlanPO 方法,引入由粗到细的优势信号,在三类多轮基准上较 GRPO 平均提升 27.2%,且训练成本可忽略。
2026-08-19 cs.AI
RollArt: Disaggregated Multi-Task Agentic RL Training at Scale
HKUST(香港科技大学);Alibaba Group(阿里巴巴集团);Tongyi Lab, Alibaba(阿里云实验室)
提出RollArt系统,通过将强化学习流水线分解到异构硬件上,实现多任务智能体RL的高效训练,相比现有系统减少1.31-2.05倍训练时间。
2026-06-16 cs.AI cs.DC cs.LG