跳到正文
arXiv · AI· Tao Ren, Hui Yang, Jia Deng, Tingyang Chen, Qiyao Wang, Shuo Tang, Ziyang Zeng, Yuhua Jiang, Guanghao Li, Huatong Song, Yining Li, Yifan Luo, Kunbao Ding, Feng Chang, Chuan Hao, Ran Tao, Bryan Dai, Jiafeng Liang, Jinyang Jiang·· 24 天前AI 评分29

多尺度策略优化 MPO 提升长时程 LLM 智能体性能

Multiscale Policy Optimization for Long-Horizon LLM Agents

AI 导读

论文提出多尺度策略优化(MPO),结合多尺度优势估计与回合级重要性采样,解决长时程 LLM 智能体的信用分配问题。 在 4B 和 30B-A3B 模型上,MPO 于搜索、工具使用及自动化任务中表现出优于强强化学习基线的一致提升。

来源:arXiv · AI · arxiv.org