ProAS：多轮Agentic RL的进度感知优势塑形框架

Bowen Ding 等人提交论文，提出即插即用框架 ProAS，用于多轮智能体强化学习中的细粒度信用分配。其针对的问题是 GRPO 等无 critic 算法把轨迹级优势均等广播给所有动作，无法区分单个动作的贡献。 ProAS 依靠动态演进的 Agentic Reference Graph（ARG），通过 Masking Unreasonable Incentives（MUI）与 Asymmetric Penalty Redistribution（APR）两项机制实现信用分配，论文称其不引入 critic 带来的额外开销。上述效果为作者在论文中的表述。

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。