跳到正文
arXiv · ML· Zeropy Surio, Tobias Engel, Mei-Lin Chou, Anika Raman, Samuel Okafor·· 28 天前AI 评分37

TWICE:面向智能体强化学习的双世界信用分配方法

Same Luck, Different Choice: Twin-World Credit Assignment for Agentic Reinforcement Learning

AI 导读

TWICE 通过双世界配对结果差实现无偏的回合级优势估计,在七个问答基准上使 Qwen2.5 平均精确匹配率提升 4.5-5.3 分。 该方法继承事实集噪声降低方差,相比 VinePPO 减少 68% 辅助 token,优于树搜索基线。

来源:arXiv · ML · arxiv.org