跳到正文
arXiv · ML· Mingwei Xu, Jieyuan Pei, Binghao Tu, Hao Fang·· 10 天前AI 评分27

用于稳定长程智能体推理的过程奖励解耦即插即用验证器框架

Plug-and-Play Verifier for Decoupling Process Reward in Stabilizing Long-Horizon Agentic Reasoning

AI 导读

提出即插即用验证器框架以稳定长程智能体推理。该框架通过解耦过程验证,利用领域特定验证器评估中间推理工件,并生成有界过程奖励。 在 Qwen3.5-4B 模型上结合稀疏结果奖励进行两阶段后训练。在 HotpotQA 基准测试中准确率超过标准 GRPO 基线。 结果表明该模块方法能学习更稳定可靠的长程推理行为。

来源:arXiv · ML · arxiv.org