共计 14 篇文章
2026
从早期深度学习寻找新思路：12 篇论文看 LLM 稀疏奖励与 Long Horizon
2026 Long-Horizon Agentic RL 与细粒度奖励：两条主线、一个交叉问题
SPPO：把长程推理折叠成序列级上下文赌博机，单样本也能稳定做 PPO
EFCA：把环境反馈变成多时间尺度信用——长程 Agent 的轻量 return 重加权
TRIAGE：给 Agent 动作标注语义角色——修正成功中的倒退与失败中的探索
Success Visitation Matching：用成功/失败访问比把稀疏奖励变成稠密过程奖励
G2PO：把多条 Agent 轨迹合成状态图——用全局边增益分配长程信用
VIMPO：策略本身就是隐式价值函数——无 critic 的 Bellman 信用分配
FlowTracer：把注意力变成守恒信息流——定位通向答案的 token 推理骨干
Temporal Scheduling for RLVR：信用不只分给谁，还要决定何时纳入哪些 token