ARPO:智能体强化策略优化,让Agent在关键时刻多探索一步

[复制链接]
周大 发表于 2025-8-9 14:34:28 | 显示全部楼层 |阅读模式
中国人民大学与快手科技联合团队提出了一种新型强化学习方法 ARPO,专为提升大语言模型在多轮工具交互中的推理能力。该方法首次揭示模型调用工具后推理不确定性显著上升的现象,并据此设计熵驱动的自适应探索机制,结合优势归因估计,使模型在13个复杂推理任务中表现优于主流RL方法。实验显示,ARPO 在仅使用一半工具调用预算的情况下,仍显著提升准确率,尤其在多轮交互密集任务中效果突出,为高效训练多轮推理智能体提供了新路径。
来源:https://mp.weixin.qq.com/s/mFNRs-bHCAAe3x4QZHF8aA

搜索|Archiver|手机版|靠浦网络|靠浦ai课堂 ( 鄂ICP备17024134号-3 )

GMT+8, 2025-8-22 10:40 , Processed in 0.316445 second(s), 24 queries .

Powered by Discuz! X3.5

© 2001-2025 Discuz! Team.

快速回复 返回顶部 返回列表