标签
本文介绍了检索基础投票（RGV），通过使用与检索文档的词汇重叠来解决多轮搜索代理中基于置信度投票的局限性，实现了高达5.4%的准确率提升。
CommitKV提出了一种面向多轮ReAct智能体的生命周期感知KV缓存压缩方法，通过提交转换区分休眠令牌与已完成令牌，以减少内存使用并加速推理。
This paper introduces State-Matched Routing and Contextualized Self-Distillation (SMRC-SD), a method that selectively applies privileged trajectory guidance only when the student agent's current state matches the reference, improving multi-turn agent performance on ALFWorld and WebShop benchmarks.
TRACE 是一种用于多轮代理强化学习的密集信用分配方法，它利用冻结的参考模型从工具边界的对数概率变化中计算每个动作的奖励，消除了对批评者或过程奖励模型的需求。它在 BrowseComp-Plus 等基准测试上显著提升了长期工具使用的性能。
提出了IGRPO框架，该框架基于中间状态的信息性为多轮LLM智能体自适应分配展开预算，将自适应树结构探索与策略学习相统一。在七个搜索增强型问答基准上的实验表明，该框架一致优于基线方法。
GAGPO提出了一种无评论家的强化学习方法，在多方交互的自主任务中，利用非参数分组价值代理进行步级信用分配，在ALFWorld和WebShop上超越了强基线模型。
SynAE 是一个评估框架，用于衡量工具调用智能体评测中使用的合成数据的质量，从有效性、保真度和多样性等多个维度进行评估。它通过提供指导合成数据生成的指标，应对真实数据不足或敏感带来的挑战。
该推文重点介绍了美团团队关于 Skill0 的论文，这是一种用于技能内在化的RL方法，并引用了一篇关于自蒸馏智能体RL的相关论文。
SDAR通过将自蒸馏与Sigmoid门控相结合，有选择地增强正向令牌级引导，同时减轻负面教师拒绝的影响，从而增强多轮智能体训练，在多个基准测试中相较于GRPO取得了显著提升。