DepGPO：终端智能体依赖感知策略优化

Yu Li 等作者提交论文，提出依赖感知组策略优化（DepGPO），用于终端智能体强化学习中的信用分配。该方法针对现有方法未追踪命令读写依赖的问题，从执行轨迹构建命令依赖图，并从任务验证器检查的资源反向追踪，把信用分配给相关写入及其支撑读取，再据此在步骤间重新分配轨迹优势。 论文称，对比实验与消融研究表明，DepGPO 在复杂终端任务上提升了任务表现与训练稳定性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。