热点事件持续更新

T2SPO：轨迹到步骤的策略优化方法

1 篇报道1 个报道来源18 小时前更新

先了解这件事

AI 综述

2026年10月3日，arXiv cs.LG 分类发布论文《T2SPO：面向智能体强化学习的轨迹到步骤策略优化》。该研究提出 T2SPO 方法，通过成功交互轨迹为策略学习提供步骤级反馈：使用预训练 TabPFN 回归器估计每个状态到成功的剩余距离，并将相邻状态间的距离变化作为辅助信用信号。在 ALFWorld 和 WebShop 两个基准上，1.5B 与 7B 语言模型的整体任务成功率均持续优于 GRPO。目前报道仅涉及该方法的设计与实验结果，未提及后续进展或争议。

AI 根据报道生成 · 6 小时前更新

报道时间线

沿着报道，了解事件的不同侧面。

10月3日

12:00
arXiv：cs.LG（机器学习，全量分类）
T2SPO：面向智能体强化学习的轨迹到步骤策略优化
T2SPO 通过成功交互轨迹为策略学习提供步骤级反馈，用预训练 TabPFN 回归器估计每个状态到成功的剩余距离，相邻状态间的距离变化作为辅助信用信号。在 ALFWorld 和 WebShop 上，1.5B 与 7B 语言模型的整体任务成功率均持续优于 GRPO。

本事件热度走势

当前热度 6·可比范围峰值 7（10月4日 01:00）·近 24 小时可比范围变化 –

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。