VPR：为智能体推理提供动作级过程奖励的框架

研究者提出可验证过程奖励（VPR）训练框架，把任务求解器改造成动作级过程验证器，为智能体推理的中间动作提供密集奖励，从而实现细粒度信用分配。 据作者称，VPR 在 Sokoban、Sudoku、Minesweeper 三类环境中实例化，配合 oracle 引导的状态分组 rollout 与局部归一化优化，训练出的 Qwen3-4B 在三个环境中均优于结果奖励 GRPO 和 VinePPO。 上述效果来自该研究的实验报告，尚待更多环境与独立验证。

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。