跳到正文
arXiv · AI· Huining Yuan, Zelai Xu, Huaijie Wang, Xiangmin Yi, Jiaxuan Gao, Xiao-Ping Zhang, Yu Wang, Chao Yu, Yi Wu·· 2026-10-14AI 评分38

VPR框架:利用可验证过程奖励增强智能体推理

Verifiable Process Rewards for Agentic Reasoning

AI 导读

研究者提出可验证过程奖励(VPR)框架,将任务预言机转化为动作级验证器,实现密集奖励与细粒度信用分配。 VPR在三类环境实例化:Sokoban搜索预言机、数独约束预言机及扫雷后验预言机。基于该框架训练的Qwen3-4B性能超过outcome-reward GRPO与VinePPO。 当在数学数据与三个游戏环境联合训练时,VPR展现出最强的通用推理与智能体结果。

来源:arXiv · AI · arxiv.org