★ 3
TalentRL：策略引导强化学习实现分层技能路由，ALFWorld 成功率 99.3%
论文提出 TalentRL，用粗粒度「才能」表示技能使用策略、细粒度技能提供可执行流程，通过策略引导的强化学习进行分层路由。在七个问答基准上，才能感知 SFT 相比零样本基线提升 6.7%-9.2%，RL 再提升 7.6%-9.3%。在 ALFWorld 与 WebShop 上取得最高成功率与得分。
arXiv cs.LG9 小时前
#ALFWorld
共 3 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
SCOPE：面向智能体强化学习的选择性关键步自蒸馏
论文提出 SCOPE 框架，让策略分析自身轨迹、生成步骤级事后技能，仅在选定的错误步骤上蒸馏指导，并用有界带符号师生系数稳定更新。在 ALFWorld 与 WebShop 上，Qwen2.5-3B 分别达到 97.7% 与 85.2% 成功率，扩展至 Qwen3-32B 后未见任务成功率达 94.…
arXiv cs.AI3 天前
★ 3
智能体强化学习增益的REACH与SOLVE归因
论文指出智能体RL的端到端成功率混合了「到达状态」与「从状态求解」两种变化，提出checkpoint handoff评估协议，将增益拆分为REACH与SOLVE。跨两个基准与两条独立流水线，reacher×solver交互在全部五种条件下为正，说明RL历史对RL求解器价值更高。
arXiv cs.AI45 天前