VH-GPO：LLM 智能体强化学习的验证式交接
原文标题：VH-GPO: Verified Handoff for LLM Agent 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。
论文针对 GRPO 等组相对强化学习中全失败轨迹优势归零的问题，提出结果验证的师生交接方法 VH-GPO：教师仅提供足够支持到达学生可成功的状态，随后交回控制权。在 Qwen2.5-1.5B 上把 ALFWorld 成功率从 59.38% 提升至 94.79%，WebShop 从 71.62% 提升至 77.34%。
- 问题
- GRPO 中全失败轨迹优势归零，智能体拿不到有效学习信号。
- 方法
- 结果验证的师生交接：教师只辅助到学生可成功的状态，随后交回控制权。
- 结果
- Qwen2.5-1.5B 上 ALFWorld 成功率 59.38%→94.79%，WebShop 71.62%→77.34%。
- 影响
- 解决稀疏奖励下 RL 训练崩溃，智能体团队可直接用于难任务训练。
深读 · 结论先行AI 生成展开看要点与影响 ↓
VH-GPO用验证式师生交接修复全失败轨迹，ALFWorld成功率从59.38%升至94.79%。
- •问题：GRPO等组相对方法中，同组轨迹全部失败时相对优势归零，学习信号消失
- •方法：冻结教师从学生失败状态恢复，但只提供足够支持到达学生可成功的状态，随后交回控制权
- •VH-GPO在有限搜索预算内选择最早被独立确认的交接点，保证成功经验仍由学生生成
- •Qwen2.5-1.5B上ALFWorld成功率59.38%→94.79%，WebShop 71.62%→77.34%
- •7B学生同样有效，额外教师与学生输出token仅占常规rollout的1.77%与2.61%
为什么重要：直接针对智能体RL中零优势塌缩这一常见失效模式，且额外token开销极低，对做LLM智能体训练的团队实用性强。
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。