跳到正文
arXiv · ML· Kaijie Zhu, Weixiang Yan, Omar Attia, Abbas Kazerouni, Alexander Toshev, Andrew Szot·· 2026-10-14AI 评分34

LVRL:基于 LLM 价值函数的智能体强化学习信用分配方法

LLM Value Functions for Credit Assignment in Agentic RL

AI 导读

LVRL 利用 LLM 预训练知识估计策略感知状态价值,实现步骤级信用分配,无需微调独立 critic。 在 AppWorld、BabyAI 和 SWE-bench Verified 基准测试中,LVRL 显著优于 GRPO 和 PPO,在 AppWorld 上绝对提升达 13.6 个百分点。 该方法有效解决了长时程稀疏奖励任务中的信用分配难题,提升了智能体在复杂环境下的决策鲁棒性。

来源:arXiv · ML · arxiv.org