跳到正文
arXiv · ML· Xiao Feng, Bo Han, Zhanke Zhou, Jiaqi Fan, Jiangchao Yao, Ka Ho Li, Dahai Yu, Michael Kwok-Po Ng·· 7 天前AI 评分38

RewardFlow: 基于状态图拓扑估算动作级奖励的 Agentic RL 方法

RewardFlow: Can Action-Level Reward Be Estimated from State-Graph Topology in Agentic RL?

AI 导读

针对 Agentic 任务中的信用分配问题,提出 RewardFlow,利用共享状态构建有向图并反向传播奖励信号,无需过程奖励模型即可估算动作级优势。在 ALFWorld 等任务上优于 RL 基线,3B 策略下每步耗时 1.47-2.39 秒,代码已开源。

来源:arXiv · ML · arxiv.org