TreeHCA：多轮 LLM 智能体的后见探索与信用分配
原文标题：TreeHCA: Hindsight-Guided Exploration and Credit Assignment for Multi-Turn LLM Agents
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 TreeHCA，将后见引导探索与后见信用分配结合，利用参考答案似然变化重访中间历史并采样替代续写，形成推理与工具交互树。作者推导相应的逆后见重要性修正，并用归一化树备份将终端结果传播为轮级优势。在七个问答基准、三个 Qwen 骨干上聚合精确匹配超越所有基线。
- 问题
- GRPO 对智能体轨迹所有 token 给同一优势，无法区分有用与无用决策。
- 方法
- 用参考答案似然变化重访中间历史并采样替代续写构建推理与工具交互树，配合逆后见重要性修正与归一化树备份传播轮级优势。
- 结果
- 在七个问答基准、三个 Qwen 骨干上聚合精确匹配超越所有基线。
- 影响
- 多轮智能体训练可直接复用，用树式信用分配替代粗粒度轨迹级奖励。
深读 · 结论先行AI 生成展开看要点与影响 ↓
TreeHCA用后见探索加信用分配，在七个问答基准、三个Qwen骨干上聚合精确匹配超越所有基线。
- •针对GRPO把整条轨迹所有token赋予同一优势、无法区分有用与无用决策的问题
- •用参考答案似然变化重访中间历史并采样替代续写，构建推理与工具交互树
- •推导逆后见重要性修正，含精确有限池恒等式，并用归一化树备份把终端结果传播为轮级优势
- •在七个问答基准、三个Qwen骨干上聚合精确匹配全面超越基线
- •代码已开源于github.com/TheBlackCat22/TreeHCA
为什么重要：多轮智能体的信用分配是当前RL训练的核心痛点，该方法把探索与信用分配用同一后见结构绑定，对做agent训练的团队有方法借鉴意义。
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。