arXiv · ML· Haoze Li, Peng Zhou, Peiyuan Wu, Weijie Zhao, Yinan Xin·· 2026-10-14AI 评分21
VH-GPO:基于验证交接的 LLM 智能体强化学习方法
VH-GPO: Verified Handoff for LLM Agent Reinforcement Learning
AI 导读
针对 GRPO 在同组失败时学习信号缺失的问题,提出 VH-GPO 实现经验证的教师-学生交接。 使用 Qwen2.5-1.5B 时,VH-GPO 将 ALFWorld 成功率从 59.38% 提升至 94.79%,WebShop 从 71.62% 提升至 77.34%。 教师恢复支持仅占额外 token 的 1.77% 和 2.61%,验证了该机制在强化学生独立完成任务能力上的有效性。
来源:arXiv · ML · arxiv.org