turn-level-reward

TRACE 提出了一种轮次级奖励分配方法，利用冻结参考模型的对数概率和时间差分学习来解决长周期智能体任务中的信用分配问题，在没有评论家或过程标签的情况下，在搜索基准测试中取得了显著改进。