arXiv · NLP· Rumei Li, Xunliang Cai·· 28 天前AI 评分21
ReflectPO: 面向长时程LLM智能体的反思引导策略优化
ReflectPO: Reflection-Guided Policy Optimization for Long-Horizon LLM Agents
AI 导读
研究提出ReflectPO强化学习框架,用于长时程LLM智能体自主错误恢复。该框架包含反思引导采样和树状信用分配两个核心组件,利用轨迹分支差异构建恢复提示,并通过树结构分配动作级信用。 在两个长时程工具使用基准测试中,ReflectPO在大多数领域优于现有基线,并实现最优平均性能。 分析显示ReflectPO有效提升了智能体识别自身偏差、从错误状态恢复并持续推进任务的能力。
来源:arXiv · NLP · arxiv.org