arXiv · NLP· Ming Ma, Yi Zhu, Yiran Zhong, Feida Zhu, Chonghan Liu, Pengkun Jiao, Qichao Wang, Yanhao Jia, Tianming Yang, Steven Hoi·· 6 小时前AI 评分39
ProCredit：基于进度信用分配的强化学习新框架
ProCredit: From Outcome Rewards to Progress Credit in Agentic Reinforcement Learning
AI 导读
ProCredit 在 Qwen3.5 模型上提出基于验证进度的信用分配机制，在 AppWorld 任务中优于结果奖励基线，4B 规模下任务完成率超最强基线 4.1 个百分点。 该方法通过每轮重跑验收检查计算进度变化，将奖励精确归因至具体轮次，消融实验证实仅添加最终进度分数无效。 此策略解决了长程智能体任务中失败轨迹缺乏训练信号的问题，显著提升了智能体在复杂环境中的推理能力。
来源：arXiv · NLP · arxiv.org