arXiv cs.AI / cs.LG 最新· Zeropy Surio·· 12 小时前AI 评分57
TWICE 用双世界反事实估计为 Agent 强化学习做逐轮信用分配
Same Luck, Different Choice: Twin-World Credit Assignment for Agentic Reinforcement Learning
AI 导读
论文提出 TWICE（TWIn-world Credit Estimation），用同一采样噪声、不同决策的反事实双世界为 Agent 强化学习估计逐轮信用。方法给每个 token 的 Gumbel 噪声按轮次设键，让反事实轨迹继承事实轨迹的下游噪声，再把成对结果差转成轮级优势做策略梯度更新，且只部署 actor。
标题与摘要由 AI 辅助生成，事实与观点以原文为准。
来源：arXiv cs.AI / cs.LG 最新 · arxiv.org
本站标题、摘要与推荐理由由 AI 辅助生成；原文版权归来源所有。