GRPO长程智能体课程学习新策略研究

针对GRPO在长程任务中全失败组缺乏奖励信号的问题，Minchan Kim等作者发表论文，提出Guide Assisted GRPO：在学习者继续前回放成功参考前缀以提供学习信号。研究在BFCL上测试三种模型规模，发现固定回合级阈值规则下从接近完成处开始更有效；基于结果信息的工具调用选择在已训练和未训练任务类别上均优于GRPO。 研究考察初始位置、交接单元与移动规则如何影响无辅助任务完成。作者称，引导式起点在AppWorld两个评测划分上提升了成功率。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。