★ 3
T2SPO：面向智能体强化学习的轨迹到步策略优化
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…
arXiv cs.LG31 天前
#LLM Agent
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
研究提出技能内化度量法，改进智能体技能退役判定
arXiv 新论文指出，现有技能库仅凭「有无技能的性能增益」决定退役，会误删大量未被真正覆盖的技能。作者改为在无技能条件下用合成任务打分，并仅在另一模型能从该技能获益时才信任高分。实验在四个模型上验证，发布 1251 条带任务与评分的技能数据。
arXiv cs.AI7 天前