BATON：LLM智能体的双轴策略优化
原文标题：Dual-Axis Policy Optimization for LLM Agents: Bayesian Feedback Attribution and Trajectory Mass Normalization
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。
研究将LLM智能体强化学习拆分为轨迹内反馈归因与轨迹间目标聚合两个维度，提出双轴策略优化框架BATON。其贝叶斯反馈归因构建以反馈为条件的动作后验，轨迹质量归一化则为完整轨迹分配等量优化权重。在ALFWorld、WebShop与SearchQA上，两轴各自带来独立增益，组合后在多种模型规模下表现最佳。
- 问题
- LLM智能体强化学习中轨迹内反馈利用与轨迹间目标聚合两个维度未被统一处理。
- 方法
- 提出BATON双轴框架：贝叶斯反馈归因构建反馈条件动作后验，轨迹质量归一化给完整轨迹等量优化权重。
- 结果
- 在ALFWorld、WebShop、SearchQA上两轴各自独立增益，组合后在多种模型规模下表现最佳。
- 影响
- 训练LLM智能体的团队可把这两轴当作可插拔改进，直接叠加在GRPO/GiGPO等现有算法上。
深读 · 结论先行AI 生成展开看要点与影响 ↓
BATON把智能体RL拆为轨迹内反馈归因与轨迹间目标聚合两轴，在ALFWorld、WebShop、SearchQA上组合表现最佳。
- •提出双轴策略优化框架BATON，对应轨迹内反馈归因与轨迹间目标聚合两个维度
- •第一轴用贝叶斯反馈归因，构建以反馈为条件的动作后验
- •第二轴用轨迹质量归一化（TMN），为完整轨迹分配等量优化权重
- •在GRPO与GiGPO上、ALFWorld/WebShop/SearchQA中，两轴各自带来独立增益，组合后在多种模型规模下最强
为什么重要：为LLM智能体强化学习提供可拆解、可叠加的优化视角，对做Agent训练的研究与工程团队有方法参考。
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。