T2SPO：面向智能体强化学习的轨迹到步策略优化
原文标题：T2SPO: Trajectory-to-Step Policy Optimization for Agentic Reinforcement Learning
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Trajectory-to-Step Policy Optimization（T2SPO），利用历史交互轨迹为策略学习提供步级反馈，通过预训练TabPFN回归器估计每个状态到成功的剩余距离，其变化量作为辅助信用分配。在ALFWorld和WebShop上，1.5B与7B模型的任务成功率均持续优于GRPO。方法无需更新估计器参数即可纳入新经验。
- 问题
- 智能体RL中奖励多为最终结果，中间决策缺乏指导信号。
- 方法
- T2SPO从成功轨迹构造剩余距离目标，用预训练TabPFN回归器估计每状态到成功的距离，其变化量作为步级辅助信用。
- 结果
- 在ALFWorld和WebShop上，1.5B与7B模型任务成功率均持续优于GRPO。
- 影响
- 为LLM智能体多步任务提供无需额外训练的信用分配方案，可直接叠加在现有RL流程上提升成功率。
深读 · 结论先行AI 生成展开看要点与影响 ↓
T2SPO用TabPFN估计剩余距离做步级信用，1.5B/7B在ALFWorld与WebShop均超GRPO
- •思路：从成功轨迹导出「剩余距离」目标，配对沿途状态表示
- •用预训练TabPFN回归器估计新rollout每个状态的剩余成功距离
- •相邻状态距离估计的变化量作为步级辅助信用，与任务级监督叠加
- •新完成轨迹刷新估计器上下文即可纳入新经验，无需更新其参数
- •在ALFWorld与WebShop上，1.5B与7B模型任务成功率持续优于GRPO
为什么重要：提供了一种免训练估计器的步级信用分配方案，对稀疏奖励下训练LLM智能体的工程实现有直接借鉴意义。
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。