标签
LHTB 2.0 介绍了一个扩展的长时程终端基准，包含 77 个跨 13 个领域的任务，通过自动化任务构建流水线和密集进度阶梯来衡量 AI 代理在长达三小时工作流中的持续进展，GPT-6-astra 以 0.69 的密集平均奖励领先。
CAST是一种方法，利用游戏求解器的状态值来提供回合级信用分配信号，通过强化学习训练LLM智能体，在多个游戏中的领域内和未见难度评估中均优于基线。
本文系统比较了小语言模型在数学推理中用于可验证奖励强化学习（RLVR）的过程奖励与结果奖励结构。研究发现，仅过程监督相比仅结果监督显著提高了准确性和推理轨迹保真度，并分析了失败模式。
这项工作提出了一个模型，该模型学习塑造的“过程奖励”用于机器人强化学习，该奖励会随着策略的改进而自动演变，从而在基准测试和实际环境中提升性能。
StainFlow为GUI代理引入了一种实体污点流过程奖励模型，通过全局实体污点追踪和局部证据关联来改进强化学习中的信用分配，在AndroidWorld上实现了3.2%的相对提升。