TRACE：用合成奖励训练因果探索推理智能体
原文标题：TRACE: Training Reasoning Agents for Causal Exploration with Synthesized Rewards
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 TRACE 方法，通过向受控模拟器注入隐藏干预并生成观测，为诊断推理提供客观奖励信号，解决复杂数据因果诊断难以验证的问题。在数字广告诊断环境（12 种根因、细粒度细分归因）中，Qwen3.5-35B-A3B 经监督微调从 0.159 提升至 0.637，再用合成奖励强化学习达到 0.757，超越包括 Claude Opus 5 在内的所有提示基线，且工具调用次数显著减少。结果表明可扩展的客观训练信号可能比模型规模更关键。
- 问题
- 复杂数据的因果诊断缺乏廉价可验证奖励，难以用RLVR训练。
- 方法
- 向受控模拟器注入隐藏干预并生成观测，用隐藏干预作客观奖励训练诊断推理智能体。
- 结果
- Qwen3.5-35B-A3B经SFT从0.159升至0.637，再经RL达0.757，超过Claude Opus 5等提示基线。
- 影响
- 说明可扩展的合成客观奖励可能比模型规模更关键，为缺乏验证信号的领域提供RL训练范式。
深读 · 结论先行AI 生成展开看要点与影响 ↓
TRACE用模拟器隐藏干预造客观奖励，35B模型0.757反超Claude Opus 5的0.686
- •向受控模拟器注入隐藏干预并生成观测，隐藏干预即oracle标签，提供客观奖励信号
- •环境为数字广告诊断，含12种根因与细粒度细分归因，智能体用Python和SQL调查
- •Qwen3.5-35B-A3B监督微调从0.159升至0.637，合成奖励RL后达0.757
- •测试集为235个留出episode，指标FullAttr@1；最强提示基线Claude Opus 5为0.686
- •最终策略工具调用次数明显少于提示版35B基座
为什么重要：说明在难以验证的领域，可工程化的客观奖励可能比模型规模更关键，为诊断类智能体训练提供可复制路径。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。