#多轮任务

PGPO：基于势引导的多轮智能体任务策略优化

论文提出PGPO算法，通过经验状态势估计实现跨轨迹信用传播，为多轮智能体任务提供细粒度步骤级信用分配。在ALFWorld和WebShop上表现优于近期方法，且训练开销可忽略。